螢火蟲群智能優(yōu)化算法及其應用研究.pdf

1、群智能優(yōu)化算法為最優(yōu)化問題求解提供了一種新途徑，受到了國內外學者的廣泛關注。螢火蟲優(yōu)化(Glowworm Swarm Optimization，GSO)算法是一種新穎的群智能優(yōu)化算法，其模仿自然界螢火蟲求偶與覓食原理設計的一種自然計算方法，由于算法的參數(shù)少、流程簡單、易于實現(xiàn)且在解空間中能捕獲多極值等優(yōu)點，已廣泛用于生物、工程、管理、軍事及經濟等多個應用領域。但是，GSO算法難以回避早熟收斂、求解精度低及穩(wěn)定性差等群智能算法所具有的通病

2、與不足。另外，現(xiàn)實世界存在許多非連續(xù)的組合優(yōu)化問題急需解決，迫切需要對連續(xù)型GSO算法進行離散化改進研究。
　　本文在分析現(xiàn)有GSO算法研究現(xiàn)狀的基礎上，從傳統(tǒng)連續(xù)型GSO離散化策略、種群初始化及移動步長等方面對算法進行改進，并將改進后的算法應用到屬性選擇與模式分類中。最后，將研究成果用于解決農業(yè)旱情等級評估與預測問題。具體研究工作與創(chuàng)新點如下:
　　(1)針對傳統(tǒng)連續(xù)型GSO算法不適合求解組合優(yōu)化問題，即離散型問題。在離散

3、二進制螢火蟲(Binary GSO，BGSO)算法基礎上，并提出了兩種概率映射函數(shù)作為離散化策略的改進二進制離散型GSO算法，其一，采用改進Sigmoid函數(shù)作為概率映射函數(shù)，其二，以高斯變異函數(shù)作為概率映射函數(shù)，分別將螢火蟲個體的位移轉化為個體的位變化概率，從理論上對算法的收斂性進行了分析與證明，并通過Benchmark標準測試函數(shù)對其進行測試，實驗結果表明改進二進制離散型GSO算法在穩(wěn)定性、收斂速度及求解精度等方面性能較優(yōu)。

4、　　(2)屬性選擇是機器學習與模式識別中進行數(shù)據(jù)預處理的一個重要方法，特別是針對一些高維的數(shù)據(jù)集，其計算復雜度較高，對數(shù)據(jù)挖掘算法的性能影響較大。因此，提出一種基于修正Sigmoid函數(shù)的二進制螢火蟲優(yōu)化(Sigmoid Binary GSO，SBGSO)算法與分形理論相結合的屬性選擇方法。該方法以數(shù)據(jù)集分形維數(shù)作為屬性子集的評價準則，以SBGSO算法作為搜索策略，通過對標準數(shù)據(jù)集UCI進行一系列實驗，實驗結果表明了該方法的有效性與可行

5、性。最后，將提出的屬性選擇方法應用于農業(yè)氣象干旱數(shù)據(jù)中，采用皖北地區(qū)針對小麥作物的農業(yè)氣象數(shù)據(jù)集作為仿真實驗數(shù)據(jù)，以解決旱情等級評估與預測的干旱指標體系構建問題。
　　(3)針對傳統(tǒng)BP神經網(wǎng)絡(Back Propagation Neural Network，BPNN)的隨機初始權值與閾值導致網(wǎng)絡學習速度慢、易陷入局部解及運算精度低等缺陷，提出一種基于高斯變異函數(shù)的二進制螢火蟲(Gauss BGSO，GBGSO)算法的BPNN并行

6、集成學習算法，即GBGSO-BPNN算法。選用皖北地區(qū)十年農業(yè)氣象數(shù)據(jù)作為實驗仿真數(shù)據(jù)，其實驗結果表明該算法在收斂速度及計算精度方面較傳統(tǒng)BPNN算法及BGSO-BPNN算法有較明顯優(yōu)勢，可以有效提高旱情等級評估與預測的準確性，為科學合理的農業(yè)旱情評估與預測提供了一種有效可行的方法。
　　(4)由于傳統(tǒng)連續(xù)型GSO優(yōu)化算法求解多模態(tài)函數(shù)時，存在穩(wěn)定性差、收斂速度慢及求解精度低等方面的缺陷，借鑒數(shù)論中佳點集理論生成初始均勻分布的螢火

7、蟲種群，并引入慣性權重函數(shù)動態(tài)修正移動步長，提出了一種基于佳點集的變步長螢火蟲優(yōu)化(Good Point Set GSO，GPGSO)算法，并從理論上證明了算法的收斂性。通過16個Benchmark標準測試函數(shù)對其進行測試，實驗結果表明GPSGSO算法在穩(wěn)定性、收斂速度及尋優(yōu)精度等方面性能具有較明顯的提高。
　　(5)支持向量機(Support Vector Machine，SVM)分類效果的優(yōu)劣主要取決于模型的選擇，而模型的選擇