狼群算法的優(yōu)化研究與應用

發(fā)布時間：2020-05-25 09:27

【摘要】：最優(yōu)化問題一直以來在工程技術和科學研究等領域占據(jù)著很重要的地位,人們從未停止過對最優(yōu)化問題解決辦法的研究。但隨著系統(tǒng)工程問題復雜程度的提高和大量非線性組合優(yōu)化問題的出現(xiàn),對解決最優(yōu)化問題的方法要求也隨之提高。受大自然中生物捕獵行為的啟發(fā),仿生智能算法開始慢慢的出現(xiàn)在世人面前,最為典型的仿生智能算法為遺傳算法(Genetic Algorithm,GA)、模擬退火算法(Simulated Annealing,SA)、粒子群算法(Particle Swarm Optimization,PSO)、蟻群算法(Ant Colony Optimization,ACO)等等,并且有些算法現(xiàn)已非常成熟,特別是在解決最優(yōu)化問題上尤為突出,并且在相關領域已經(jīng)得到了實際的應用,本文介紹的狼群算法(Wolf Pack Algorithm,WPA)也屬于仿生智能算法的一種,因其相比其他的仿生智能算法在解決復雜問題時展現(xiàn)出良好的性能,因此也受到了國內(nèi)外很多專家和學者的密切關注。狼群算法(Wolf Colony Algorithm,WCA)最初是Liu等人根據(jù)對狼群捕獵行為進行研究,提出的一種群智能算法,2013年,吳虎勝等人根據(jù)狼群的分工協(xié)作的捕獵以及獵物分配的特點,抽象出人工狼的三種智能行為(即游走行為、召喚行為和圍攻行為)和兩種智能規(guī)則(即“勝者為王”的頭狼產(chǎn)生規(guī)則和達爾文生物進化論的“優(yōu)勝劣汰”的狼群更新規(guī)則),提出了一種全新的狼群算法(Wolf Pack Algorithm),并基于馬爾科夫鏈理論證明了WPA算法的收斂性。狼群算法(WPA)雖然問世時間不足5年,但因其性能較好,已經(jīng)在多個領域得到應用,如無人機航跡規(guī)劃、三維傳感器的優(yōu)化布置方法以及水電站水庫優(yōu)化調(diào)度等等,也更好地說明了狼群算法有很好的前景。但算法也有很多不足之處,如耗時較長,收斂精度低,參數(shù)太多和易陷入局部最優(yōu)等缺點,使得狼群算法的進一步的發(fā)展受到了阻礙。本課題主要以狼群算法為研究對象,并針對WPA算法容易陷入局部最優(yōu)、且精度低和收斂速度慢等缺點進行改進,最后又將遺傳算法和狼群算法進行融合,并應用于解決旅行商問題(TSP)中。具體研究內(nèi)容如下:一、本文提出了基于高斯擾動和混沌初始化的狼群算法(GCWPA)。該算法引用了混沌立方映射初始化狼群,使狼群在搜索空間分布更加均勻,有利于狼群對解空間的覆蓋;通過對頭狼進行高斯擾動,使得算法具有跳出局部最優(yōu)的能力,仿真實驗結果表明,改進后的算法的具有良好的尋優(yōu)性能。二、提出了基于交叉變異算子和模擬退火的混合的狼群算法(GASAWPA)。在WPA算法的基礎上,引入了遺傳算法中的交叉和變異操作,增加種群多樣性的同時,還有利于加強算法的全局搜索能力,在圍攻行為后,加入模擬退火算法中的Metropolis判別準則對頭狼附近進行局部尋優(yōu),仿真實驗證明,改進后的算法相比較WPA算法優(yōu)勢明顯,相比較DWPA算法,雖然其能找到最優(yōu)值,但其穩(wěn)定相對較差,而GASAWPA算法則更加穩(wěn)定。然后將改進后的算法應用在求解TSP問題中,選取了兩個典型的TSP算例進行了仿真實驗,驗證了改進后算法的具有良好的性能。
【圖文】：

流程圖,仿生算法,群體智能,流程圖