粒子群算法改进及应用

论文摘要

粒子群优化算法最早是由Eberhart和Kennedy模拟自然界的生物群体觅食提出的一种群智能化方法。后来Shi等人引入惯性权重来更好的控制收敛和探索,形成了当前的标准PSO算法。由于该算法实现简单,需要调整的参数少,已被广泛地应用于函数优化、通信系统设计、电子系统设计以及经济管理等领域。粒子群算法已经被国内外学者认为是一种有效的优化方法,但是自身也存在着一些缺点,比如在搜索后期易陷入局部最优和出现早熟现象。如何加快粒子群算法的收敛速度和避免出现早熟收敛,一直是研究者关注的重点。本文在基本粒子群算法的基础上,进行了一些改进。引入云理论把粒子群分为三个种群,用云方法修改粒子群算法中惯性权重,同时修改速度更新公式中的“认知部分”和“社会部分”,加入“均值”的概念,提出一种基于均值的云自适应粒子群算法;考虑惯性权重对算法的影响,较大的权值有利于提高算法的全局搜索能力,而较小的权值会增强算法的局部搜索能力。提出了一种基于位置多样性和种群多样性来修改惯性权值的粒子群优化算法。让惯性权值随着位置移动的长短和适应度的大小来改变。最后把改进的方法应用在求解工程约束优化问题中。数值实验结果表明,改进的算法对于高维非线性的无约束优化问题表现出了良好的性能,对工程实例的约束优化问题也显示了其优越性。将人工萤火虫算法与粒子群算法结合提出一种基于萤火虫算法感知范围的粒子群算法。并应用到求解工程实例约束优化问题中,实验结果也表明了改进算法的有效性和正确性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 群智能算法研究背景
• 1.2 国内外研究现状
• 1.3 本文的主要内容和创新点
• 第二章 粒子群算法
• 2.1 粒子群算法简介
• 2.2 基本粒子群算法
• 2.3 粒子群算法流程
• 2.4 粒子群算法的改进
• 2.4.1 参数的改进
• 2.4.2 协同PSO算法
• 2.4.3 离散PSO算法
• 2.5 粒子群算法的应用
• 2.6 本章总结
• 第三章 基于均值的云自适应粒子群算法
• 3.1 云理论
• 3.2 基于均值的云自适应粒子群算法（CAMPSO）
• 3.2.1 自适应调整策略
• 3.2.2 云自适应均值粒子群优化算法
• 3.4 算法实现
• 3.5 实验仿真
• 3.5.1 实验函数
• 3.5.2 实验结果
• 3.6 本章小结
• 第四章 基于三角形更新规则的自适应粒子群算法
• 4.1 随机惯性权重的构造
• 4.2 基于三角形更新规则的自适应粒子群算法
• 4.3 算法实现
• 4.4 实验仿真
• 4.4.1 测试函数
• 4.4.2 实验结果
• 4.5 本章小结
• 第五章 基于GSO的PSO算法及在约束优化中的应用
• 5.1 约束处理的转化及数学模型
• 5.1.1 约束处理的转化
• 5.1.2 数学模型
• 5.2 基于萤火虫思想的粒子群优化算法
• 5.2.1 人工萤火虫算法
• 5.2.2 基于萤火虫思想的粒子群优化算法
• 5.3 算法实现
• 5.4 数值仿真与分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 研究展望
• 参考文献
• 附录
• 致谢
• 攻读学位期间参加的科研项目
• 攻读学位期间发表的学术论文