畢業(yè)設(shè)計(jì)-螢火蟲(chóng)算法的函數(shù)優(yōu)化問(wèn)題研究(參考版)
2024-12-07 18:26本頁(yè)面
【正文】 最后，感謝所有細(xì)心閱讀本篇設(shè)計(jì)說(shuō)明書的評(píng)委。本篇 畢業(yè)論文 的完成離不開(kāi)你們認(rèn)真的指導(dǎo)與檢閱。 福建農(nóng)林大學(xué)本科畢業(yè)論文 12 參考文獻(xiàn) [1] 馬明惠，葉春明 .基于文化改進(jìn)的兵行粒子群算法 [J].計(jì)算機(jī)工程 ,2021,34(2):193195. [2] 彭喜元 ,彭宇 ,戴毓豐 .群智能理論及應(yīng)用 [J].電子學(xué)報(bào) .2021年 S1期 . [3] 李雪梅 ,張素琴 ,基于仿生理論的幾種優(yōu)化算法綜述 [J].計(jì)算機(jī)應(yīng)用研究 .2021年 06期 . [4] 螢火蟲(chóng)算法百度詞條 .20210801. [5] 水文工具集 . [6] 隨機(jī)函數(shù)百度詞條 , 202101. [7] Metropolis [M],王強(qiáng) .北京 :清華大學(xué)出版社 ,. [8] . [9] 張波 ,陳睿君 ,路璐 ,粒子群算法在投資組合中的應(yīng)用 [J].系統(tǒng)工程 .2021年 08 期 . [10] Szymon Lukasik and Slawomir Zak. Firefly Algorithm for Continuous Constrained Optimization Tasks[A]., 2021,Lecture Noture in Artifical Intelligence[C].. [11] MingHuwi Horng,RenJean minimum cross entropy thteshold selection based on the firefly algorithm[J].Expert Ststems with Appplications,2021,38:1480514811. [12] MingHuwi quantization using the firefly algorithm fir image pression[J].Expert Systems with Applications,2021,10781091. [13] , mitment in deregulated power system using Lagrangian firefly algorithm[A]. IEEE Communication Control and Computing Technologies(ICCCCT),. [14] Yang XinShe. Firefly Algorithms for Multimodal Optimization[C].Proc of the 5th International Symposium on Stochastic Algorithms:Foundaations and Applications,. [15] 于飛 . 基于慣性權(quán)重的螢火蟲(chóng) 優(yōu)化 算法 [J/OL].(202167)[202157]. 福建農(nóng)林大學(xué)本科畢業(yè)論文 13 致謝 本次畢業(yè) 論文 能順利完成，需要感謝我的指導(dǎo)老師林曉宇老師、我實(shí)習(xí)單位的同事朋友們、學(xué)校的同學(xué)朋友們以及這四年來(lái)所有教 導(dǎo)過(guò)我的老師們。加快了運(yùn)算的速度， 提高了尋優(yōu)的能力，確保了尋優(yōu)的精度， 提高了效率，使得函數(shù)的目標(biāo)值更快的接近最優(yōu)值，更早的進(jìn)入收斂 。 LUFA 是基于 迭代前期位置更新公式中 隨機(jī)數(shù)影響較小，而在后期距離逐漸靠近，隨機(jī)數(shù)影響較大的問(wèn)題的改進(jìn) ，改進(jìn) 結(jié)果同時(shí)存在收斂快，但精度低的問(wèn)題。 SRFA 實(shí)驗(yàn)結(jié)果與 FA 算法相似，但由于對(duì)隨機(jī) 搜索范圍的限定，使得精度不高。 另外，在實(shí)驗(yàn)外還進(jìn)行了兩者的結(jié)合算法（ Normalization Preferred FireFly Algorithm，NPFA）， 確定螢火蟲(chóng)搜尋半徑的（ Search Radius FireFly Algorithm， SRFA），基于慣性權(quán)重的（ Inertia Weight FireFly Algorithm， IWFA）， 基于對(duì)位置更新公式改進(jìn)的（ Location Update FireFly Algorithm， LUFA） 等 改進(jìn)算法 。 歸一化 法（ NFA）對(duì)于 Griewank 函數(shù)在迭代前期效果比擇優(yōu)法（ PFA）好，更快地接福建農(nóng)林大學(xué)本科畢業(yè)論文 10 近最優(yōu)，后期 隨著迭代次數(shù)的增加，精度和最優(yōu)點(diǎn)的密集度都還可以提高。 實(shí)驗(yàn)結(jié)論 綜上所述，擇優(yōu)法（ PFA）與歸一化 法（ NFA）改進(jìn)在 Rastrigin 函數(shù)中的效果不太明顯，最值，均值，方差沒(méi)有明顯的改變，均是在同一數(shù)量級(jí) 上 ， 而擇優(yōu)法（ PFA）對(duì) Rosenbrock函數(shù)， Griewank 函數(shù)， Axis hyper ellipsoid 函數(shù)存在明顯的數(shù)量級(jí)關(guān)系， 精度更高，有更多的位置點(diǎn)在最優(yōu)點(diǎn)附近， 更有效 率。 歸一化 法（ NFA）在 Axis hyper ellipsoid 函數(shù)中效果比較明顯，在相同的迭代次數(shù)下，目標(biāo)函數(shù)值精度大大提高。在同一迭代次數(shù)下， 擇優(yōu)法 （ PFA）比傳統(tǒng)的螢火蟲(chóng)算法 有著更高的精度 ，并且存在明顯的目標(biāo)值數(shù)量級(jí)關(guān)系。 福建農(nóng)林大學(xué)本科畢業(yè)論文 9 543210120 50 100 150 200 250 300 350 400 450迭代次數(shù)Axis hyper ellipsoid函數(shù)目標(biāo)值(log(value))FAPFANFA 圖 34 Axis hyper ellipsoid 函數(shù)測(cè)試結(jié)果 表 34 MAX_GENERATION = 200的仿真結(jié)果 MIN F(X) MAX F(X) F(X) 方差 FA PFA NFA Axis hyper ellipsoid 函數(shù)，單峰，在 ix =0 時(shí) 達(dá)到最小值，理論最優(yōu)值為 0。 歸一化 法（ NFA）在 Griewank 函數(shù)中效果比較 明顯，在相同的迭代次數(shù)下，目標(biāo)函數(shù)值 首先進(jìn)入收斂，并且精度大大提高 。 由圖表可知，上述實(shí)驗(yàn) 中 擇優(yōu)法 （ PFA）在 Griewank 函數(shù)中存在明顯的效果。認(rèn)為改進(jìn) 只是粗略變形， 沒(méi)有達(dá)到預(yù)期的效果。在同一迭代次數(shù)下， 最優(yōu)值的平均值與方差都有著明顯的提高，說(shuō)明越來(lái)越多的位置點(diǎn)在靠近最優(yōu)值點(diǎn)，并且 擇優(yōu)法 （ PFA）比傳統(tǒng)的螢火蟲(chóng)算法首先進(jìn)入收斂，存在明顯的目標(biāo)值數(shù)量級(jí)關(guān)系，存在更高的精度，在
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1