粒子群优化算法的改进方法研究

论文摘要

粒子群优化算法(PSO,Particle Swarm Optimization)是自1995年正式提出以来不断兴起和壮大的一种新的优化问题解决方案,它的概念简单且易于实现,用具有一定智能的粒子代表具体优化问题中的候选解,通过随机初始化一定规模的粒子群,并使之不断迭代进化,利用群体和个体的信息快速寻得最优解。这种算法具有群智能和进化计算两大理论基础,以其参数少设置简单,收敛速度快等优点倍受广大学者亲睐。目前,为了使PSO算法表现更为优秀,已发表了大量有关其改进算法的论文,而且这些改进算法也已成功应用于很多工程优化问题中,并随着改进研究的不断深入,其应用领域还在不断扩展,性能也得到不断的提高。本文首先深入研究了基本PSO的理论基础、基本原理和实现流程,并对算法涉及的参数进行了分析。然后通过仿真实验对基本PSO算法的有效性及其实现特点进行了分析。其次,针对基本PSO存在的不足,分析了其根本原因,从粒子运动特点出发,总结了算法需要改进的方面,以及基本的改进方向,并通过已有的改进实例阐述了该算法改进方法实现及其适用范围。再次,本文通过对基本理论和已有改进方法的分析,提出了一种基于多智能体理论的多智能粒子群优化算法,给出了该改进算法的具体的实现步骤,并通过MATLAB仿真实验验证了改进方法的有效性,通过对优化结果进行具体分析,指出了该改进算法的优势和不足。最后,论文总结了对于改进PSO算法做出的努力,并对PSO及其新的改进方法中存在的不足提出了进一步的研究计划。实验证明改进PSO即MAPSO,对高维多峰值等复杂函数优化问题的寻优表现较基本PSO算法更加有效,在一定程度上提高了算法的寻优准确性,减少算法易陷入局部最优,早熟收敛等问题,真正实现了PSO算法的全局寻优。但同时该改进算法也增加了算法的复杂程度。因此,对该算法的理论和性能还需进一步完善。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 粒子群优化算法的起源和发展
• 1.2 论文的主要研究内容
• 1.3 论文的内容的组织结构
• 第2章 粒子群优化算法综述
• 2.1 相关理论基础
• 2.1.1 最优化理论
• 2.1.2 群体智能
• 2.2 粒子群优化算法的原理
• 2.2.1 粒子群优化算法的全局模式
• 2.2.2 粒子群优化算法的局部模式
• 2.3 粒子群算法的仿真实验及其分析
• 2.3.1 引入惯性权重w及其改进策略对PSO算法的影响
• 1和c₂的设置对PSO算法的影响'>2.3.2 学习因子c₁和c₂的设置对PSO算法的影响
• 2.3.3 引入收缩因子μ对PSO算法的影响
• 2.4 本章小结
• 第3章 粒子群优化算法的改进方法分析
• 3.1 粒子群优化算法的局限性
• 3.2 粒子群优化算法的现有改进策略
• 3.3 改进粒子群算法的经典实例
• 3.3.1 基于遗传算法的混合粒子群算法（GAPSO）
• 3.3.2 离散粒子群算法（DPSO）
• 3.3.3 多种群协同进化粒子群优化算法（MPSO）
• 3.4 本章小结
• 第4章 一种新的改进粒子群优化算法
• 4.1 智能体相关理论
• 4.2 智能体具有的算子设计
• 4.2.1 邻域竞争算子
• 4.2.2 变异算子
• 4.2.3 自学习算子
• 4.3 一种多智能粒子群优化算法（MAPSO）
• 4.4 改进的MAPSO的仿真实验及其结果分析
• 4.4.1 MAPSO的仿真实验
• 4.4.2 MAPSO的仿真结果分析
• 4.5 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢