基于超启发式算法的移动群智感知任务分配方法研究 (2).docx
需积分: 3 115 浏览量
2024-05-20
20:36:21
上传
评论
收藏 2.08MB DOCX 举报
1
1 引言
1.1 课题背景与研究意义
因此，本课题旨在建立能够综合考量感知质量和用户最大工作量的移动群智感知任务分
配模型，并使用超启发式算法对问题模型进行求解，以验证超启发式算法在移动群智感知任
务分配问题中的适用性。
1
2 相关理论知识
2.1 超启发式算法的基本原理
顾名思义，超启发式算法（Hyper-Heuristics Algorithm）是一种与元启发式算法有着高度
的相似性，但又超越了元启发式算法的一类算法，是一种寻找启发式算法的启发式算法。超
启发算法虽然问世只有十多年的时间，但是许多学者已经对其进行了丰富和改进，并将其应
用到了具体问题当中。
超启发式算法和元启发式算法在原理上的本质区别为其搜索空间和逻辑结构的不同。从
搜索空间的角度分析，超启发式算法的搜索空间为低层启发式算子的组合与优化，而元启发
式算法的搜索空间为所求问题的具体解集；从逻辑结构的角度分析，超启发式算法由低层的
启发式算子库和高层的决策方法组成，而元启发式算法则由固定的优化算子组成。此外，与
传统的元启发式算法相比，超启发算法的高层决策方法可以适用于许多不同的问题，有着更
强的通用性。超启发式算法和传统元启发式算法的异同如表 2.1 所示。
超启发式算法的结构具体由两个部分组成，分别叫做控制域和问题域。问题域中主要包
含低层启发式算子库，其为能够优化和解决具体问题的多个低层启发式算子（Low Level
Heuristics，LLH），其搜索空间为被求问题的可行解，这些算子的具体落实方式由所解决问
题的情况所决定，例如本课题中就应针对移动群智感知的任务分配问题设计符合问题需求的
低级 LLH 算子；控制域是超启发式算法的核心内容，其主要包含了高层的决策方法（High Level
Strategy，HLS），其搜索空间为有低层启发式算子组成的集合。超启发式算法的结构如图 2.1
所示。
表 2.1 超启发式算法和元启发式算法的异同
剩余68页未读，继续阅读
资源评论
