论文部分内容阅读
受启发于各种自然现象的智能算法已成为当下热门的研究课题,尤其在解决复杂的大规模问题时,智能算法具有极强的有效性。目前,智能算法受到广泛关注,已成功应用于系统优化、工程设计等领域。智能算法具有自我学习、全局搜索等特点。 本文基于对植物根系生长行为的研究,结合传统算法与智能算法的特点,提出根系群生长模型。该模型用数学语言刻画了种子发育、根尖分支和生长以及种群形成的总体过程。此外,根系群生长模型还包括根系群协同模型、土壤养分区域模型和土壤养分探测模型三个子模型。根系群协同模型主要描述了根尖生长状态的变化,土壤养分区域模型和土壤养分探测模型则分别构建了不同类型根尖的生长环境。基于根系群生长模型,本文做了以下工作: (1)提出根系群优化算法(RGSO),用以解决最优化问题。首先,根据根系群生长模型,构建RGSO的理论公式。其次,从理论证明和分析入手,证明了根系群优化算法的收敛性,分析了其有效性。最后,以11个标准的基准测试函数作为目标函数,将RGSO与当前最为先进的三个智能算法进行对比测试,并分析RGSO中不同参数对寻优结果的影响。实验结果验证了RGSO的收敛性和有效性,表明RGSO是一种解决全局优化问题的有效算法。 (2)提出基于根系群生长模型的改进K-means算法,将K-means算法中聚类中心的初始位置作为优化的目标,用以解决K-means算法易陷入局部最优的问题。以3个UCI数据集作为实验的测试集,与原K-means进行测试比较。实验结果验证了改进K-means算法的收敛性,表明改进后的K-means算法具有更小的离散度总和。且对聚类中心初始位置的敏感度降低。