仿推特群智能优化算法研究pptx.pptx

仿推特群智能优化算法研究近年来,研究者们通过模仿自然界中生物群体的智能行为,提出了一系列群智能算法(SwarmIntelligence,SI)用以解决最优化问题。作为启发式算法,群智能算法在无法计算目标函数导数甚至无法得到目标函数的解析式的情况下,仍可完成优化任务。
相比于梯度下降法等传统优化方法,群智能算法更具普适性,在最优化领域取得了广泛的应用。但已有的群智能算法仍存在陷入局部收敛、时间复杂度高等问题,因此本文提出了一种新的群智能优化方法——仿推特优化方法。
众所周知,推特网络中的信息传播具有优化倾向:当前最热的信息通过每个推特用户的“转发”行为可以在短时间内爆炸式传播,而低质量信息则恰恰相反。因此我们通过模拟这种现象,设计了两种仿推特优化算法,解决了上述传统方法存在的问题。
本文主要成果体现在以下三个方面:·针对传统群智能算法解决单目标优化问题时易陷入局部最优等问题,我们提出了单目标仿推特优化算法(TwitterOptimization,TO)。TO将推特信息抽象为目标函数的解向量,将“发推”“转推”“关注”等推特行为抽象为个体的计算策略,从而利用推特模型合理分配了群智能优化算法中的“探索”和“挖掘”两种计算任务,缓解了局部收敛现象。
·针对传统群智能算法解决多目标优化问题时间复杂度偏高等问题,我们提出了多目标仿推特优化算法(Multi-objectiveTwitterOptimization,MOTO)。MOTO在TO模型的基础上,引入了推特中个体具有兴趣偏好的特性,并将其与加权和分解法结合,模仿推特中相似者更易关注的现象,使权值相似个体之间渐渐相互连接,避免了计算k近邻,从而降低了算法时间复杂度。
·最后我们使用上述两种仿推特优化算法解决了仿真环境中的路径规划问题。通过将路径规划问题转化为优化问题,我们使用TO算法和MOTO算法分别解决了单目标路径规划问题和多目标路径规划问题,并在自行搭建的3D仿真环境下完成了该路径规划实验的可视化。
相比于传统群智能算法,TO和MOTO通过其出色的优化能力,提升了路径规划的精确度和稳定性。