论文部分内容阅读
狼群算法是一种近几年兴起的群体智能算法,是通过模拟狼群捕猎过程中产生的一系列行为和特征,而产生的一种优化算法。狼群算法是一种以迭代方式进行的群体随机优化方法。由于狼群算法对问题的优化表现出精度高、收敛快、易实现、稳定性好等特点,现在已经被一些学者应用到神经网络、生产调控、传感器优化、路径规划等实际生产实践问题中,且取得良好优化效果。不过,狼群算法的理论体系还不够成熟,在解决复杂的生产、实践问题上仍需要做进一步的研究和拓展。经研究发现,狼群算法中现今主要存在的不足问题有:对大部分测试函数的优化中,算法的收敛精度有待提高;算法在种群初始化时,存在很大随机性;算法在迭代后期极易陷入局部最优等问题,本文将对该算法从三个方面进行研究和改进。它们分别是单目标优化问题、多目标优化问题还有算法的实际应用问题。下面从这三个方面问题对本文研究和改进内容进行阐述:针对单目标优化问题方面,就狼群算法的收敛精度低、寻优速度慢、易陷入局部最优等问题做研究。分析认为是狼群初始化过程中存在太大随机性问题,造成初始种群分布不均,降低了算法的优化性能。为了提高初始种群中狼个体的质量,在狼群初始化中引入Tent混沌映射策略。分析认为围攻行为中存在因收敛过快而导致算法早熟问题,提出在围攻行为中引入Levy飞行策略,能有效帮助算法逃离局部最优。提出一种基于Tent混沌映射与Levy飞行的改进狼群算法((Improved wolf pack algorithm based on Tent chaotic mapping and Levy flight,TLWPA)。通过与其他算法对测试函数的对比优化实验,验证了TLWPA算法在单目标优化问题上的良好优化性能。针对多目标优化问题方面,作以下改进:在算法中增加了基于改进差分进化的精英个体搜寻行为;将搜寻狼的正弦搜寻行为与基于改进差分进化的精英个体搜寻行为相结合,使得搜寻行为在精英个体信息的作用下提高搜寻效率;将pareto差熵和个性化混沌因子引入奔走行为,利用pareto差熵了解帕雷托pareto最优解集合中解的分布均匀性从而了解种群收敛状态,个性化混沌因子提高其遍历性,能让围攻狼在奔走行为中根据种群收敛状态情况动态地调整狼的行为方式;继续在围攻行为中引入Levy飞行策略;运用了基于聚集密度的个体质量比较法,可以有效提高最优解的分布均匀性。提出一种多目标改进狼群算法(Improved Multi-objiective Optimization based on Wolf Pack Algorithm,MO-IWPA)。通过与其他算法对测试函数的对比优化实验,验证了MO-IWPA算法在多目标优化问题上的良好优化性能。在机器人路径规划上,通过栅格法对机器人移动的模拟障碍物环境进行建模。这里针对的是起点终点已知、障碍物分布情况明确且障碍物固定不变的情况。将TLWPA算法应用其中,通过与遗传算法的仿真对比试验,验证了TLWPA算法在机器人路径规划问题上的良好优化能力。综上所述,本文在MWPA算法的基础上,在狼群初始化阶段引入Tent混沌映射策略,在围攻行为中引入Levy飞行策略,提出的TLWPA算法在求解单目标优化问题上提高了算法的收敛速度和优化精度;在多目标优化问题上,通过将正弦搜寻行为与改进差分进化的精英个体搜寻行为相结合,在奔走行为中引入Pareto差熵和个性化混沌因子概念,在围攻行为中引入Levy飞行策略,并结合基于聚集密度的个体质量比较法,提出的MO-IWPA算法在多目标优化问题上表现出更好的收敛性和多样性。在应用上,把TLWPA算法应用到机器人路径规划问题上,通过仿真实验得到的规划路径相较于遗传算法得到的规划路径距离更短、路线更平滑、耗费时间更少,说明TLWPA算法在实际应用上表现出更好的优化性能。