基于多样性增强的麻雀搜索算法研究与应用

作     者：王鹏晖 

作者单位：江西理工大学 

学位级别：硕士

导师姓名：李江华

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：群智能优化算法 麻雀搜索算法 多样性 工程优化 变压器诊断 

摘      要：随着生物智能群体行为的不断发展,群智能优化算法凭借强大的搜索能力与适应性成为多类型领域内解决全局优化问题的关键技术。近年来,它的应用范围也越来越广泛,已经成为优化领域的热门话题。随着技术的发展,群智能优化算法已经成功地克服了传统优化算法规模庞大、复杂度过高的问题,它能够根据智能个体的社会行为,以及其他相关因素,快速、准确地搜索出全局最优解,并且能够根据每个智能种群的特点,及时地调整自身的参数,从而更好地指导群体的活动。凭借高效的计算性能以及优秀的适应能力,群智能优化算法被应用到各种实际场景中。近年来,麻雀搜索算法作为一种新颖的群智能优化算法,其优势显而易见:原理简单、搜索能力强、结构参数少,但也存在一些不足,如无法维持种群的多样性,容易陷入局部最优,以及解决复杂优化问题的效率较低。从该算法提出到现在,各领域的学者尝试了不同策略的改进,但种群多样性缺失的问题仍然存在于全过程的搜索中,并随着迭代次数的增加而线性递减,使得算法整体的寻优能力难以精进。对此,在结合国内外研究后,面向多种类型的优化问题,结合多种有效的改进措施,基于提高种群多样性的目标,深入研究并改进麻雀搜索算法,并在多个不同类型工程优化问题情境下,对所提算法的实际性能进行验证。本文具体的研究工作如下:(1)对于相关群智能优化算法和麻雀搜索算法进行阐述,分析经典优化算法和麻雀搜索算法的基本原理和算法流程,为本文后续工作的展开奠定理论基础。(2)提出一种混合多策略改进的麻雀搜索算法。为了解决麻雀搜索算法在寻找目标函数的最优解时存在的挑战,如过早收敛、种群多样性不足以及在高维环境中的求解精度低下。利用精英反向学习,以提升初始种群的质量,加快收敛速度,并且设计了一个阶段性的控制步长公式,平衡算法的搜索和开发,引入混沌余弦变化因子作用于跟随者位置更新,从而实现保持种群的多样性和提高算法搜索能力的目的,采用自适应选择机制的Lévy飞行可以大大提升算法的灵活性,使其在不同的时期仍然具备良好的多样化特征。通过设置单峰、多峰和固定维度的多种测试函数,与标准麻雀搜索算法及其他算法进行仿真对比,并应用在焊接梁设计问题和三杆桁架设计问题上,对性能进行验证。最终仿真实验结果表明,所提算法能够在实际问题中保持较高的种群多样性,提高求解目标问题的精度,并具有一定的稳定性。(3)提出一种基于Piecewise映射改进的麻雀搜索算法。面对麻雀搜索算法初始种群多样性差、分布不均匀以及面对复杂问题时,多样性难以维持且搜索精度不足等问题,通过基于Piecewise混沌映射增强种群的多样性,提高空间分布的均匀性,发现者搜索采取步长自适应策略,实现全局搜索与局部开发的平衡,提高搜索精度,引入高斯变异扰动,为全过程种群多样性的增加提供支撑,并加强算法跳出局部最优的能力,最后利用基于上下界的越界处理方法对超出搜索范围的新解进行调整,进一步扩大种群的多样性分布。本文还将提出的算法与其他经典算法以及效果较好的改进型算法在14个基准测试函数进行对比,并将改进后的算法对概率神经网络进行优化,在变压器故障诊断问题中具有良好的实验效果,仿真实验结果表明,所提算法无论是在综合性能方面还是保持多样性能力上,都具有显著优势。随着现实问题日益综合复杂的情况下,本文提出两种改进的麻雀搜索算法,帮助算法在搜索全过程中,保持充分的多样性,达到更优的求解结果。无论是从仿真实验对比,还是实际工程应用效果对比,所提算法均有明显优势,能够作为解决实际问题的有效手段。