导读:本文包含了多模函数论文开题报告文献综述及选题提纲参考文献，主要关键词:花朵授粉算法(FPA),模拟退火,Nelder-Mead单纯形法,多模函数优化
多模函数论文文献综述
郭庆,惠晓滨,张贾奎,李正欣[1]（2018）在《多模函数优化的改进花朵授粉算法》一文中研究指出为了探讨花朵授粉算法(FPA)在解算多模函数优化问题中存在的不足,通过定义种群多样性及差异性指标,定性分析了FPA在多模复杂函数优化中的寻优缺点。基于模拟退火思想优化全局授粉过程,并利用Nelder-Mead单纯形搜索技术对花朵局部授粉进行重构,提出一种新的花朵授粉寻优架构。仿真结果表明,相对于基本的FPA、布谷鸟算法、萤火虫算法,改进花朵授粉算法能够有效避免陷入局部最优,具备优异的全局勘探和局部开采能力,对多模优化问题具有一定优势。(本文来源于《北京航空航天大学学报》期刊2018年04期）
张磊,刘成忠[2]（2017）在《一种面向多模函数改进的果蝇优化算法》一文中研究指出为将果蝇优化算法有效应用在多模函数优化问题中,设计了一种优化多模函数的果蝇优化算法—基于佳点集和小生境技术的混合果蝇优化算法。首先引入数论中的佳点集概念构造初始种群,使其较均匀地分布在可行域中并且产生的模式多样性比随机分布更好,提高了算法的搜索能力及效率和稳定性;其次用小生境技术改进算法的搜索模式,更好地维持了种群的多样性使种群能快速定位较多的峰;再通过小生境熵来量化群体的多样性并选择进化方向,当小生境熵低于设定的阈值时,结合佳点搜索产生新群体给以扰动,以维持种群的多样性,否则对各个峰进行精细搜索。对七个测试函数分别进行两类仿真,结果表明,该算法不仅能够高效且高精度地找到全局极值而且能够以较高的精度定位到所有全局极值和多个次优极值,显示了较强的多峰搜索能力。(本文来源于《计算机工程与科学》期刊2017年01期）
张玉丽,马小平[3]（2015）在《基于修正萤火虫算法的多模函数优化》一文中研究指出萤火虫优化(glowworm swarm optimization,GSO)算法是一种计算多模函数优化问题的新型算法,该算法和蚁群优化、粒子群优化一样,都是一种群智能算法。针对GSO算法在优化多模函数时收敛速度慢、求解精度不高和发现峰值率低的缺点,首先在算法中采用变步长的运动策略,使得步长随着迭代时间自适应地逐渐减小;其次采用较小的初始决策范围值;最后添加了萤火虫的自探索机制。改进后的学习行为更符合自然界生物的学习规律,更有利于萤火虫发现问题的所有局部最优解。利用标准测试函数对修正后的萤火虫算法进行测试,仿真结果表明,修正的萤火虫算法具有良好的收敛性和计算精度,在寻找多模函数的峰值个数时显示出很大的优势。(本文来源于《中国科技论文》期刊2015年08期）
王芳芳[4]（2014）在《面向单模和多模函数优化的多子群粒子群算法研究》一文中研究指出粒子群优化算法(Particle Swarm Optimization, PSO)是一种基于鸟群、鱼群和人类社会的行为规律提出的算法。PSO的缺点是易陷入局部极值点导致早熟现象,进化后期收敛慢导致精度较差。多子群PSO是一种通过增加粒子多样性来提高算法的全局搜索能力以减少早熟现象的重要方法。动态多子群PSO(Dynamic Multi-swarm PSO,DMS-PSO)是其中一类通过种群周期地重组操作增加粒子多样性的算法,但经实验发现,该类方法的重组操作大大增加了寻优时间,且算法忽视了粒子在进化过程中的自主性,造成粒子的进化带有一定的盲目性和强迫性,降低了寻优效率。当前大部分PSO改进算法都是针对单模问题,但科学研究和工程实践中也存在多模优化问题(Multi-modal Optimization, MO)。目前用于求解MO的小生境PSO中小生境识别方法的准确率较低,同峰极值点判别的准确率不高,且由于频繁的距离计算降低了寻优效率。多子群PSO由于多个子群同时独立地进化,能够保存每个子群的最优个体,使得其在解决MO方面有很大的优势。针对以上问题,本文围绕多子群PSO,在单模和多模优化问题展开研究,提出基于自主学习和精英群的多子群PSO (Multi-swarm PSO Based on Autonomic Learning and Elite Swarm,ALEMSPSO),维持种群多样性的同时,提高了粒子学习的自主性,且降低了算法的时间消耗；提出面向多模函数优化的按峰划分的多子群PSO(Multi-swarm PSO Based on Devision by Different Peaks for Multi-modal Function Op-timization,DPMSPSO),提高了小生境PSO中小生境识别的准确率和效率,提升了同峰极值点判别的正确率,且为解决多模优化问题提供了一种新方法。论文的主要贡献包括：(1)提出ALEMSPSO,提升了算法搜索性能。算法将教育心理学自主学习的理念引入DMS-PSO中,借鉴精英群和基础群的种群架构,提出了ALEMSPSO.该算法具有如下特点：·自主选择学习对象的粒子更新机制。基础群中的粒子通过自主选择学习对象操作来代替DMS-PSO中的重组操作,维持DMS-PSO多样性高的同时,又无需复杂的种群重组操作；完善了PSO的学习机制,提高了粒子进化过程中的自主性。·基于精英群的局部搜索机制。基础群负责全局搜索,精英群负责局部搜索,既能保持算法具有很好的全局搜索能力,又能增强局部搜索能力。·基于最优粒子多样性的子群合并机制。通过对基础子群最优粒子多样性的度量,实现子群的合并,使算法在进化后期或解决单峰问题时,提高收敛性能。6个高维、多峰测试函数应用表明新算法在提高收敛速度、精度和寻优时间方面拥有良好的性能,且稳定性优良。(2)提出DPMSPSO,提升了算法搜索性能,为解决MO提供了一种新方法。针对多模函数优化问题,在ALEMSPSO种群架构的基础上,引入极值库用于存储极值点,提出按峰划分的小生境识别方法和改进型插点法的极值点判别机制,设计了DPMSPSO.该算法具有如下特点：·按峰划分的小生境识别方法。基础群采用按峰划分子群的方法识别小生境,充分考虑到所求问题的函数特征和波峰的特点,提高了小生境识别的准确率和效率。·改进型插点法的极值点判别机制。将各子群找到的位置通过改进型插点法进行入库检测和出库检测,提高了同峰判别的准确率。·改进的基于精英群的局部搜索机制。精英群在极值库中的极值点附近进行局部搜索,提高了算法的收敛性能。·新的评价指标。针对求解多模优化问题的优化算法,提出新的评价指标,提高了评价的正确性和公平性。10个典型测试函数的仿真对比实验结果表明新算法定位极值点的准确率更高,且拥有良好的精度和速度。(本文来源于《南京农业大学》期刊2014-06-01）
吴伟民,亢少将,林志毅,郭涛[5]（2014）在《基于改进萤火虫算法的多模函数优化》一文中研究指出为了提高萤火虫算法GSO(Glowworm Swarm Optimization algorithm)多模函数优化性能,针对GSO峰值发现率低、收敛速度慢和求解精度不高的缺点,提出萤火虫个体可自适应搜索峰值且移动步长可变的改进萤火虫算法IGSO(Improved Glowworm Swarm Optimization algorithm)。IGSO引入尝试性移动策略以增强算法的搜索能力,同时,以邻域平均距离为参考,对个体移动步长进行调整。采用典型多模函数进行测试,实验结果表明,IGSO峰值发现率高,收敛速度快且求解精度高,比GSO具有更优的多模函数优化性能。(本文来源于《计算机应用与软件》期刊2014年01期）
于干,王亚,康卫[6]（2012）在《面向多模函数优化的改进网格优化算法》一文中研究指出利用网格优化算法(GOA)编码简单、收敛速度快、不宜陷入局部最优等特点,针对多模态函数优化问题,对GOA算法进行了改进,扩大了优化搜索范围,保持了父本种群的多样性,增强了全局搜索能力。对典型多模态函数问题的测试结果表明,改进的网格优化算法在解决多模态函数优化问题方面具有很强的全局搜索能力和很高的搜索效率。(本文来源于《阜阳师范学院学报(自然科学版)》期刊2012年04期）
史哲文,白雪石,郭禾[7]（2012）在《基于改进小生境粒子群算法的多模函数优化》一文中研究指出在基于粒子群算法的多模优化问题中,针对现存小生境方法需要特定参数的缺陷,提出了一种不需要参数的小生境算法。该算法通过粒子适应度在种群适应度中所占比例以及粒子之间的欧式距离两方面因素确定粒子的局部最优解,并通过每轮迭代中每个局部最优解粒子和以它作为局部最优解的普通粒子的欧式距离的平均值确定出该小生境的半径。在几个广泛的测试函数上的实验结果表明,该算法在收敛速度和成功率方面比需要小生境参数的算法(FERPSO、SPSO)更优秀。(本文来源于《计算机应用研究》期刊2012年02期）
李太勇,唐常杰,吴江,罗谦,李生智[8]（2009）在《基于小生境基因表达式编程的多模函数优化》一文中研究指出为了解决传统基因表达式编程(GEP)无法发现多模函数的所有最优解的问题,将小生境概念引入到基因表达式编程中。分析了传统GEP算法在多模函数优化方面的不足,提出了小生境半径的自适应调整策略AMNR,提出了基于小生境基因表达式编程的多模函数优化算法NGEP-MFO,扩展了传统GEP的应用领域。实验表明,相对于传统GEP,NGEP-MFO能大幅提高发现所有最优解的成功率和判定最优解的准确度。(本文来源于《四川大学学报(工程科学版)》期刊2009年02期）
马宏,李晓磊,张承进[9]（2006）在《多模函数的一种全局优化策略研究》一文中研究指出Animat理论是人工生命的一种表现形式,具有自治性、适应性、涌现性等复杂系统所体现的特点。基于animat理论,采用面向对象的分析方法建立其视觉模型和反应行为机制,通过模拟动物勘查周围复杂、陌生的环境以寻找路径的方式,提出了一种灵活稳定的优化策略,尝试用其解决多模函数全局优化的问题。利用标准测试函数对此优化策略进行测试,仿真结果表明其充分发挥了animat理论特点,具有良好的收敛性和计算精度,可以克服现有智能优化算法在求解优化问题时的早熟、求解精度不高等问题,对各种优化问题均具有很强自适应性。(本文来源于《系统仿真学报》期刊2006年10期）
陈娟,徐立鸿[10]（2006）在《动态小生境遗传算法在多模函数优化中的应用》一文中研究指出提出一种基于动态小生境技术的自适应遗传算法.算法的进化过程中,通过物种的辨识和保存过程确定小生境的峰值,引入个体趋向于高适应度的方向这一控制参数控制搜索的方向,采用自适应调整种群距离的方法控制搜索的范围,大大提高了搜索效率.仿真试验表明,该算法能够很好地保持解的多样性,同时具有很高的全局寻优能力和收敛速度,适合求解复杂多峰函数优化问题.(本文来源于《同济大学学报(自然科学版)》期刊2006年05期）
多模函数论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为将果蝇优化算法有效应用在多模函数优化问题中,设计了一种优化多模函数的果蝇优化算法—基于佳点集和小生境技术的混合果蝇优化算法。首先引入数论中的佳点集概念构造初始种群,使其较均匀地分布在可行域中并且产生的模式多样性比随机分布更好,提高了算法的搜索能力及效率和稳定性;其次用小生境技术改进算法的搜索模式,更好地维持了种群的多样性使种群能快速定位较多的峰;再通过小生境熵来量化群体的多样性并选择进化方向,当小生境熵低于设定的阈值时,结合佳点搜索产生新群体给以扰动,以维持种群的多样性,否则对各个峰进行精细搜索。对七个测试函数分别进行两类仿真,结果表明,该算法不仅能够高效且高精度地找到全局极值而且能够以较高的精度定位到所有全局极值和多个次优极值,显示了较强的多峰搜索能力。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多模函数论文参考文献
[1].郭庆,惠晓滨,张贾奎,李正欣.多模函数优化的改进花朵授粉算法[J].北京航空航天大学学报.2018
[2].张磊,刘成忠.一种面向多模函数改进的果蝇优化算法[J].计算机工程与科学.2017
[3].张玉丽,马小平.基于修正萤火虫算法的多模函数优化[J].中国科技论文.2015
[4].王芳芳.面向单模和多模函数优化的多子群粒子群算法研究[D].南京农业大学.2014
[5].吴伟民,亢少将,林志毅,郭涛.基于改进萤火虫算法的多模函数优化[J].计算机应用与软件.2014
[6].于干,王亚,康卫.面向多模函数优化的改进网格优化算法[J].阜阳师范学院学报(自然科学版).2012
[7].史哲文,白雪石,郭禾.基于改进小生境粒子群算法的多模函数优化[J].计算机应用研究.2012
[8].李太勇,唐常杰,吴江,罗谦,李生智.基于小生境基因表达式编程的多模函数优化[J].四川大学学报(工程科学版).2009
[9].马宏,李晓磊,张承进.多模函数的一种全局优化策略研究[J].系统仿真学报.2006
[10].陈娟,徐立鸿.动态小生境遗传算法在多模函数优化中的应用[J].同济大学学报(自然科学版).2006
标签：花朵授粉算法(FPA); 模拟退火; Nelder-Mead单纯形法; 多模函数优化;