1、優(yōu)化問(wèn)題大量存在于科學(xué)研究和工程應(yīng)用中的各個(gè)領(lǐng)域,因而開展最優(yōu)化方法的研究具有重要的理論意義和實(shí)用價(jià)值,隨著對(duì)各類復(fù)雜系統(tǒng)優(yōu)化問(wèn)題的深入研究,傳統(tǒng)的“自頂而下”的研究方法遇到了很多的困難。而以生物智能或自然現(xiàn)象為基礎(chǔ)的群智能優(yōu)化方法通過(guò)自身的演化使許多在人類看起來(lái)高度復(fù)雜的問(wèn)題得到了比較完美的解決,由此產(chǎn)生了與經(jīng)典優(yōu)化方法截然不同的新型智能計(jì)算方法一仿生智能計(jì)算。
　　 本文對(duì)遺傳算法和粒子群優(yōu)化算法兩種仿生智能計(jì)算方法的算法機(jī)

2、理、算法改進(jìn)和應(yīng)用方面做了較為深入的研究,論文的主要研究成果如下:
　　 (1)針對(duì)約束優(yōu)化問(wèn)題,采用兩種不同的改進(jìn)策略,分別提出兩種不同的改進(jìn)進(jìn)化算法,并對(duì)其時(shí)間和空間復(fù)雜度進(jìn)行了分析。這兩種改進(jìn)策略分別是:①將約束優(yōu)化問(wèn)題的高維搜索空間通過(guò)線性變換映射到二維空間,在二維空間中探索原優(yōu)化問(wèn)題的解,從數(shù)學(xué)分析的角度給出了一種線性適應(yīng)度函數(shù),融入一種基于密度函數(shù)的交叉算子和變異算法,采用基于分級(jí)聚類的平均聯(lián)接方式以維持Pareto

3、最優(yōu)解集個(gè)體數(shù)目。②引入近鄰函數(shù)準(zhǔn)則(NFC),將NFC用于選擇過(guò)程,可以從種群中選擇出較好的個(gè)體,并確保種群的多樣性。此外,融入了一種基于近鄰函數(shù)準(zhǔn)則的Pareto候選集的維護(hù)方法,使用這種方法可以有效地維護(hù)候選解集中個(gè)體的多樣性。仿真實(shí)驗(yàn)的效果表明:融合了改進(jìn)策略的進(jìn)化算法是可行和有效的,解集分布的均勻性與多樣性均較理想。
　　 (2)由于遺傳算法具有良好的并行搜索性能,適合于求解高維非線性規(guī)劃問(wèn)題,本文提出一種求解非線性規(guī)

4、劃問(wèn)題的改進(jìn)遺傳算法(IGA)。IGA融入了一種新穎的選擇策略和局部搜索方案,其基本思想是:在選擇過(guò)程中,每一個(gè)體表達(dá)為一個(gè)三維的向量,分別由目標(biāo)函數(shù)值、約束違背的度數(shù)和約束違背的數(shù)目組成。根據(jù)Pareto偏序關(guān)系,通過(guò)設(shè)定的兩個(gè)性能指標(biāo)評(píng)價(jià)個(gè)體的優(yōu)劣。而局部選擇方案能夠更好的發(fā)現(xiàn)位于一些不可行解近鄰區(qū)域的可行解,實(shí)驗(yàn)效果顯示出:IGA具有較好的魯棒性,相比其它測(cè)試算法具有更好的有效性和穩(wěn)定性。另外,圖像分割問(wèn)題也可以看作是帶約束條件下

5、的非線性規(guī)劃問(wèn)題。本文提出一種基于遺傳算法的最小交叉熵閾值選擇方法:首先使用一種回歸程序設(shè)計(jì)方法,將圖像分割問(wèn)題看作是一個(gè)優(yōu)化問(wèn)題;然后,提出一種回歸程序設(shè)計(jì)方法存儲(chǔ)閾值計(jì)算過(guò)程的中間結(jié)果:最后,基于這種回歸程序設(shè)計(jì)方法,使用遺傳算法搜索待優(yōu)化問(wèn)題的最優(yōu)解。仿真測(cè)試表明:所提出的方法非常接近窮盡搜索方法得到的最佳閾值,在不同圖像上的分割效果顯示出所提出方法的可行性和有效性。
　　 (3)提出雙中心粒子群優(yōu)化算法(DCPSO)。粒

6、子群優(yōu)化算法是一種新興的群體智能優(yōu)化技術(shù),由于其原理簡(jiǎn)單、參數(shù)少、效果好等優(yōu)點(diǎn)已經(jīng)廣泛應(yīng)用于求解各類復(fù)雜優(yōu)化問(wèn)題。而影響該算法收斂速度和精度的兩個(gè)主要因素是粒子個(gè)體極值與全局極值的更新方式。通過(guò)分析粒子的飛行軌跡和引入廣義中心粒子和狹義中心粒子,在不增加算法復(fù)雜度條件下對(duì)粒子的個(gè)體極值和全局極值更新方式進(jìn)行了更新,從而改善了算法的收斂速度和精度。實(shí)驗(yàn)仿真按照固定迭達(dá)次數(shù)和固定時(shí)間長(zhǎng)度運(yùn)行兩種方式進(jìn)行測(cè)試,驗(yàn)證了所提出的新算法DCPSO的

7、可行性和有效性。
　　 (4)提出一種求解多目標(biāo)優(yōu)化問(wèn)題的改進(jìn)微分進(jìn)化算法(MDE)。微分進(jìn)化是一種簡(jiǎn)單、快速且具有魯棒性的進(jìn)化算法。改進(jìn)后的微分進(jìn)化算法與傳統(tǒng)的的微分算法相比,新穎之處在于個(gè)體的變異操作和個(gè)體的選擇方式:①允許種群中的不可行解個(gè)體參與變異過(guò)程,種群中的個(gè)體變異方式采用了改進(jìn)的PSO算法粒子變異方案;②個(gè)體的選擇方式融入了由Deb提出的非劣排序遺傳算法-Ⅱ(NSGA-Ⅱ)中的“非劣排序和等級(jí)選擇過(guò)程”。通過(guò)對(duì)不可