论文部分内容阅读
在工程设计、管理科学、信息处理、生产制造等领域中存在着大量需要解决的最优化问题。目前处理这些最优化问题的方法主要有传统优化方法和群体智能优化算法。群体智能优化算法是一种随机优化算法，它的基本原理是通过对自然界中生物的群体智能行为进行模拟，并从它们的群体行为中提取模型。与传统优化算法相比，群智能优化算法有着更强的适应性、鲁棒性和并行处理等诸多优点。大量的应用表明，群智能算法对于解决复杂的单目标和多目标优化问题是一个很好的工具。引力搜索算法一种新型群体智能优化算法，它的基本思想是基于牛顿万有引力定律，其原理简单、通用性强，在解决非线性函数等方面表现出了良好的性能，已在一些领域中取得了较好的应用，并吸引了国内外诸多学者对其进行研究。本文将分别从改进和应用两个方面对引力搜索算法进行研究。首先，对引力搜索算法的基本原理以及算法的具体实现过程进行了详细的分析，并对目前引力搜索算法的国内外研究现状进行了总结。其次，针对引力搜索算法易出现早熟收敛现象，提出了一种引入复合形法的改进引力搜索算法。该算法在寻优初期利用引力搜索算法进行全局搜索，同时对引力系数进行了改进，以提高全局收敛速度；在寻优后期，当算法出现早熟收敛现象时，引入复合形法，利用复合法较强的局部搜索能力，帮助种群快速跳出局部最优解。标准测试函数的仿真结果表明了改进算法的可行性和有效性。将改进引力搜索算法应用于单目标优化问题：支持向量机参数优化，以最小化输出量的均方误差为目标，利用改进引力搜索算法较强的搜索能力，快速搜索出最优的支持向量机参数，并将该方法用于谷氨酸发酵过程谷氨酸浓度预测，仿真结果表明该方法训练时间短，且能够获得较高的谷氨酸浓度预测精度。最后，针对复杂的多目标优化问题，提出了一种新的基于引力搜索算法的多目标优化算法。该算法采用精英归档策略存储非劣解，利用快速非支配排序策略和拥挤距离比较算子更新种群；根据快速非支配排序后种群的等级计算个体质量；通过对引力系数的改进，提高全局收敛速度；引入自适应变异算子，保持种群的多样性。经典测试函数仿真结果表明多目标引力搜索算法具有较强的优化性能，最终获得的Pareto前沿更加接近真实的Pareto前沿，且分布均匀。将多目标引力搜索算法引入到青霉素发酵过程的多目标优化中，以补料速率为优化变量，以最终产物量最大和底物消耗量最小为优化目标，根据简化的青霉素动力学模型建立多目标优化问题数学模型。利用多目标引力搜索算法对建立的多目标优化问题进行求解，并与恒定补料速率方式相比较。测试结果显示本文方法获得的青霉素总产量与底物总消耗的比值更高，表明了本文方法在发酵过程多目标优化中的有效性。