开题报告.docx
- 文档编号:10273007
- 上传时间:2023-05-24
- 格式:DOCX
- 页数:8
- 大小:34.87KB
开题报告.docx
《开题报告.docx》由会员分享,可在线阅读,更多相关《开题报告.docx(8页珍藏版)》请在冰点文库上搜索。
开题报告
研究生学位论文开题报告
学位论文选题名称
改进人工蜂群算法及其应用研究
学科专业、研究方向
系统工程、运筹与决策
研究生学号
122490773
研究生姓名
高珊
指导教师姓名
马良
攻读学位级别
硕士
论文起止年限
申请开题日期
开题报告填写事项
一、填写必须实事求是,字迹要端正、清楚。
填写内容字体为:
楷体小四号,行距为“固定值18”;签字必须用蓝、黑墨水笔,如篇幅不够可另附纸。
二、本报告的第一至第六部分由研究生本人填写(字数不少于2000字),其余部分由指导教师、开题报告评议小组、教研室(研究所)主任、学院(部)院长(主任)填写。
三、研究生开题报告日期规定为:
研究生进校后第三学期完成。
四、开题报告评议小组由学院(部)统一集中组织,对开题报告不通过的要在1至2个月内补做,重新审核合格后,才允许正式进入论文阶段。
本课题涉及的内容(包括实验数据、计算机程序、导师未公开发表的研究成果及心得等),除在毕业论文中所发表的之外,本人保证:
未经导师正式同意,五年内不以任何形式向第三方公开。
研究生(签字)
导师(签字)
日期:
年月日
一、课题的来源及意义
二十世纪中期,人们在自然界生物进化过程的启发下,提出了一系列用于解决实际生产、生活中优化组合问题的算法。
自然界中的群居昆虫,它们虽然个体结构简单,但是通过个体间的合作却能够表现出极其复杂的行为能力。
受这些社会性昆虫群体行为的启发,研究者通过模拟这些群体的行为提出了群集智能算法。
群体智能优化算法在没有集中控制并且不提供全局模型的前提下,利用群体的优势,分布搜索,这种方法一般能够比传统的优化方法更快地发现复杂优化问题的最优解,为寻找复杂问题的最佳方案提供了新的思路和新方法。
近几年来相继涌现出的进化算法有Memetic算法、粒子群算法、混合蛙跳算法、猫群算法、细菌觅食算法、人工鱼群算法、蚁群算法、人工免疫算法和引力搜索算法等群体智能优化算法,这些群集智能算法的出现,使得一些比较复杂且难于用经典优化算法进行处理的问题得到了有效的解决,同时这些算法已不断地运用于解决实际问题,在很多领域得到了广泛的应用,如调度问题,人工神经网络,组合优化问题等工程领域。
蜜蜂是一种具有自组织性的社会性昆虫,如果单独对一只蜜蜂进行研究会发现它的智能是极其简单低下的,但是对于由一群这样的个体所组成的群体所表现出的“智慧”却是惊人的,如:
蜜蜂无论在何种环境中,都总能找到附近的优良蜜源。
蜜蜂群依据各自分工不同进行不同活动,通过交换信息来寻找最佳蜜源。
受蜂群行为的启发,2005年,Karaboga提出了一种群智能优化算法——人工蜂群算法(ArtificialBeeColonyAlgorithm,ABC)。
该算法参数较少,全局收敛性较好,且适用于多维问题的求解。
人工蜂群算法与差分进化算法、粒子群优化算法等相比在求解许多优化问题时有其自身特色,但是全局搜索和局部搜索的平衡机制对优化算法的成功是很重要的,而该算法采用的进化方式使得算法易陷入局部最优解。
为改善算法性能,提高全局收敛速度,已有学者对其进行了改进。
本课题的特色和创新之处在于对人工蜂群算法进行改进后,除了用于求解组合优化问题,还将算法与电子商务建模、求解相结合,并与已有的模型比较、对比,试验仿真验证算法的有效性。
二、简述该领域目前的国内外研究现状
传统的ABC算法存在容易陷入局部最优,早熟收敛和后期收敛较慢等问题。
为了克服这些问题使算法的性能得到进一步的提升,许多学者对ABC算法从多方面进行了改进,Mohammad等提出了一种基于指数分布式的自适应变异步长机制的人工蜂群算法,使算法搜索方程中的搜索步长自适应的变化以动态的控制蜂群的开发和探索;Lee等学者在ABC算法中引入种群多样性的判别机制,使侦察蜂决定用哪种搜索机制探索蜜源;ShiXiaohui等提出了一种基于PSO和ABC的混合算法,为了使粒子群和蜂群之间交互式的分享信息,引入了两种信息交换机制,以提高算法的整体寻优能力;ZhongYiwen等学者将细菌趋化优化算法嵌入到ABC算法的采蜜蜂和观察蜂的开采过程中,通过仿真实验表明趋药性行为能够提升ABC算法的优化能力;BiXiaojun等学者提出了一种快速变异的ABC算法,在观察蜂选择蜜源时利用其在自由搜索算法中的信息素和灵敏度模型替换轮盘赌选择模型;Tarun等学者为了加快ABC算法的收敛速度,先利用反学习模型产生一个与随机种群相对应的种群,再取这两个种群中对应个体的中间个体作为初始种群进行进化;高卫峰等学者在基本ABC算法的迭代中引入淘汰规则和新的搜索策略,同时对种群中的个体采用差分进化,以提高算法的收敛速度和维护种群的多样性;另外,Harikrishna和AnanBanharnsakun提出了ABC算法的并行式搜索机制和分布式ABC算法。
算法应用方面,2007年Karaboga将人工蜂群算法用于解决约束数值优化问题,通过对标准约束优化问题的测试,以及与差分进化算法(DE)、粒子群算法(PSO)的比较,实验结果表明改进的蜂群算法可以有效地解决约束优化问题;RaminHedayatzadeh,S.N.Omkar等学者结合多目标优化问题的特性和处理多目标问题的策略提出了基于多目标优化的人工蜂群算法,并将其与多目标遗传算法、粒子群算法以及NSGAII算法进行了比较,实验结果表明多目标蜂群算法在处理优化问题上具有高度竞争性;Karaboga和Akay将ABC算法应用于人工神经网络的训练,随后Qzturk又将其与Levenberq-Marquardt算法相结合,提出了一种解决人工神经网络训练的混合算法;Karaboga等提出了解决旅行商问题的组合ABC算法;肖永豪等将ABC算法应用在图像处理和数据聚类中,并且取得了良好的效果;ABC算法在蛋白质的检测和预测、动态路径选择、可靠性冗余分配问题等领域也取得了良好的应用效果。
人工蜂群算法的研究仍处于初级阶段,有很多问题需要进一步的改进和解决,如算法的复杂度、理论依据和收敛性的研究等。
三、课题所要研究的目标及内容
研究目标:
(1)理解和掌握人工蜂群算法的基本原理,研究算法的优势和缺陷;
(2)了解现有人工蜂群算法研究成果;(删除!
)
(3)结合各种算法的优缺点,对人工蜂群算法进行有效改进;
(4)将改进后的人工蜂群算法应用到组合优化问题中去;
(5)将改进后的人工蜂群算法应用到电子商务模型建立与求解中去。
研究内容:
(1)经典理论与人工蜂群算法结合;
(2)人工蜂群算法在函数优化中的应用,包括连续单目标多峰函数和标准测试函数的优化(包括低维和高维);
(3)人工蜂群算法在线性规划与非线性规划中的应用;
(4)人工蜂群算法在电子商务模型建立与求解中的应用。
四、课题的研究方法、实施方案及可行性分析
研究方法:
(1)将蜂群群体觅食规则与优化原理相结合,设计算法搜索规则;
(2)与其他算法(如蚁群算法、粒子群算法、禁忌搜索算法等)作比较,测试新算法的全局寻优能力;
(3)将算法与元胞理论、量子理论、小生境理论等智能算法经常使用的理论和技术相结合,得到性能更好的算法;
(4)将算法规则提取出来,与电子商务谈判模型等现实模型相结合,得到求解问题的新思路。
实施方案:
(1)掌握人工蜂群算法的现有研究成果,对人工蜂群算法有深度的理解,掌握算法发展现状;
(2)了解可以对智能算法进行改进的理论,发掘适合于人工蜂群算法的改进理论;
(3)利用经典理论对人工蜂群算法进行改进,并验证改进后算法效果;
(4)根据算法的特点,将其用于求解实际问题。
可行性分析:
(1)人工蜂群算法自提出以来,已有很多学者将其应用到组合优化问题中去,并取得了不错的研究成果,为本课题的研究提供了一定的实验基础和研究参考价值;
(2)其他发展比较成熟的智能优化算法,如蚁群算法、粒子群算法等,对人工蜂群算法的研究有一定启示;
(3)人工蜂群算法本身的结构特点鲜明,与特定商业问题模型有一定相似性,将算法用于相关问题建模求解成功率较高。
已投稿论文:
函数优化的小生境蝙蝠算法,计算机应用,复审中。
元胞人工蜂群算法及其在0-1规划问题中的应用,计算机工程与设计,复审中。
五、研究进度及时间安排(包括文献阅读、方案设计与实现、论文书写等)
起止日期
课题阶段工作进度
201310-201312
201312-201401
201401-201403
201403-201406
201406-201409
收集资料,阅读文献,方案设计,可行性分析与验证;
理论研究,算法设计;
结合实际组合优化问题,给出解决问题的算法流程,并通过实例验证算法的有效性,通过与其他算法比较,突出算法的优越性;
结合现实问题,利用算法进行建模求解;
整理总结,撰写论文,论文答辩。
六、主要参考文献(要求10篇以上,其中至少2篇国外资料)
序号
参考文献名称
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
BanharnsakunA,AchalakulT,SirinaovakulB.Thebest-so-farselectioninartificialbeecolonyalgorithm[J].AppliedSoftComputing,2011,11
(2):
2888-2901.
ZhuG,KwongS.Gbest-guidedartificialbeecolonyalgorithmfornumericalfunctionoptimization[J].AppliedMathematicsandComputation,2010,217(7):
3166-3173.
LiG,NiuP,XiaoX.Developmentandinvestigationofefficientartificialbeecolonyalgorithmfornumericalfunctionoptimization[J].AppliedSoftComputing,2012,12
(1):
320-332.
朱刚.元胞蚂蚁算法及其应用研究[D].上海:
上海理工大学.2007.459-471.
罗钧,李研.具有混沌搜索策略的蜂群优化算法[J].控制与决策,2010,25(12):
1913-1916.
丁海军,冯庆娴.基于boltzmann选择策略的人工蜂群算法[J].计算机工程与应用,2005,45(31):
53-55.
刘勇,马良.非线性0-1规划的元胞蚁群算法[J].系统管理学报.2010,19(3):
351-355.
MaLiang,NingAibing.OperationalResearch[M].Beijing:
MachineryIndustryPress,2008.
KarabogaD,BasturkB.Ontheperformanceofartificialbeecolony(ABC)algorithm[J].Appliedsoftcomputing,2008,8
(1):
687-697.
KarabogaD,AkayB.Acomparativestudyofartificialbeecolonyalgorithm[J].AppliedMathematicsandComputation,2009,214
(1):
108-132.
刘勇,马良.元胞微粒群算法及其在多维背包问题中的应用[J].管理科学学报,2011,14
(1):
86-96.
WolframS.Cellularautomataasmodelsofcomplexity[J].NonlinearPhysicsforBeginners:
Fractals,Chaos,Solitons,PatternFormation,CellularAutomata,ComplexSystems,1998,311:
197.
ZhouXianwei,WangYuanyun,TianXinxian,atal.Atabusearchalgorithmforquadratic0-1programmingproblem[J].ChineseQuarterlyJournalofMathematics,1997,12(4):
98-102.
WangX,XieX,ChengTCE.Amodifiedartificialbeecolonyalgorithmfororderacceptanceintwo-machineflowshops[J].InternationalJournalofProductionEconomics,2013,141
(1):
14-23.
KarabogaD,BasturkB.Apowerfulandefficientalgorithmfornumericalfunctionoptimization:
artificialbeecolony(ABC)algorithm[J].Journalofglobaloptimization,2007,39(3):
459-471.
七、指导教师意见
同意开题
盖章:
日期:
八、学位论文开题报告评议表
报告时间及地点:
年月日午在进行开题报告
评议小组成员姓名(职称):
其他参加人数:
教师人,研究生人。
报告时间:
时分至时分,讨论时间:
时分至时分
参加者对开题报告的意见(包括选题意义、研究方案、时间进度安排、参考文献等扼要记录):
记录员签字:
评议小组签名:
组长:
组员:
九、审核意见
教研室(研究所)审核意见:
主任(所长)签名:
日期:
学院(部)审核意见:
院长(主任)签名:
日期:
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 开题 报告