论文摘要
混合蛙跳算法(ShuffledFrogLeapingAlgorithm,简称SFLA)是由Lansey和Eusuff在2003年提出得一种源于对青蛙觅食行为研究的群体智能算法。该算法具有简单的概念，较少的参数，较快的计算速度及较强的全局寻优能力等特点。但与其他群体智能算法类似，SFLA算法在优化某一些函数问题时也同样存在一些不足之处，如：在局部搜索时容易陷入局部最优，寻优的效果不够理想。本文针对混合蛙跳算法在局部搜索时存在易于陷入局部最优的问题，首先提出了基于平均值的混合蛙跳算法（NovelShuffledFrogLeapingAlgorithmBasedonAverageValue,简称NSFLA），并简要介绍了其主要参数对算法性能的影响，最后将改进算法应用到装配线优化调度和机组优化组合问题中，验证了改进算法的有效性。本文研究的主要工作如下：1.简要介绍了最优化问题、智能优化算法和几种常见的智能优化算法，论述了混合蛙跳算法的研究背景、意义及现状，并简要介绍了其研究内容。2.简要介绍了基本混合蛙跳算法的基本定义，分析了混合蛙跳算法的基本原理、数学模型、算法步骤、算法的相关参数和优缺点。3.针对混合蛙跳算法寻优精度较低和收敛速度较慢等缺点，提出了基于平均值的混合蛙跳算法。通过将蛙跳算法的子群平均值引入到子群局部搜索中，同时采用自适应概率定向地更新每个子群最优个体，较好得保持了种群的多样性，提高了算法的局部搜索能力和全局搜索能力，仿真实验验证了改进算法的有效性。4.将基于平均值的混合蛙跳应用到装配线的优化调度问题上，并与粒子群算法的优化调度结果进行了比较分析，实验结果表明混合蛙跳算法可以更为有效快速求得合适的解。5.将基于平均值的混合蛙跳算法应用到机组优化组合问题上，结果表明混合蛙跳算法比混沌优化算法和遗传算法具有较好的优化性能。在实际工程优化方面具有良好的应用前景。最后，对全文进行了简要的总结同时对混合蛙跳算法将来的研究进行了进一步的展望。