自适应的及其基于动态邻域的具有量子行为粒子群优化算法研究

论文摘要

本文的目的是研究和改进具有量子行为的粒子群算法（Quantum-behaved Particle Swarm Optimization,简称QPSO）。群体智能算法是一种进化类算法,是解决优化问题特别是复杂系统优化问题的有效手段。而QPSO是一种新的、具有全局收敛性的群体智能算法,并且许多实际应用证明,QPSO的性能远远优于一般的粒子群算法（Particle Swarm Optimization-简称PSO）和遗传算法（GA）。因此,本文的研究内容对于群体智能的发展具有一定的学术意义和科研价值。本文首先介绍了一种群体智能算法——粒子群算法（PSO）,随后着重阐述了具有量子行为的粒子群优化算法理论,介绍了一种新的具有全局收敛性的算法——具有量子行为的粒子群算法（QPSO）。然后将PSO算法与QPSO进行了比较,讨论和分析了两种算法的优劣。在QPSO算法的基础上,本文提出了两种改进的具有量子行为的粒子群算法——基于全局层次的自适应具有量子行为的粒子群优化算法（AQPSO）和基于动态邻域的具有量子行为的粒子群优化算法（NQPSO）。前者提出了一种基于全局邻域的参数控制方法,在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,增强了算法的全局搜索能力;后者是将邻域拓扑思想和QPSO相结合,在QPSO中引入动态邻域结构,使得每个粒子仅与其邻域内的粒子相互交流信息,避免了信息的丢失,从而能有效地保证种群的多样性。通过使用一些标准的测试函数对改进算法进行测试,并将测试结果与标准PSO算法（SPSO）和传统QPSO算法的性能相比较,结果表明:改进的QPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。最后,利用文中提出的QPSO改进算法求解旅行商问题（TSP）。实验结果表明,和SPSO算法及QPSO算法相比,新算法在求解质量上做得更好。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究现状
• 1.3 本文的主要研究内容
• 1.4 论文的内容安排
• 第二章 粒子群算法概述
• 2.1 基本粒子群算法
• 2.1.1 基本思想
• 2.1.2 基本粒子群算法
• 2.1.3 基本粒子群算法的社会行为分析
• 2.2 改进的粒子群算法
• 2.2.1 带有惯性因子的粒子群算法
• 2.2.2 带有收缩因子的粒子群算法
• 2.2.3 基于遗传思想的粒子群算法
• 2.2.4 其他的改进粒子群算法
• 2.3 粒子群算法与遗传算法的比较
• 2.4 标准粒子群算法测试结果
• 2.5 粒子群算法存在的问题
• 2.6 小结
• 第三章 具有量子行为的粒子群算法
• 3.1 引言
• 3.2 QPSO 算法的势能场模型
• 3.2.1 模型的建立
• 3.2.2 粒子位置的度量
• 3.2.3 粒子的收敛性
• 3.3 QPSO 算法的运算过程
• 3.3.1 进化方程
• 3.3.2 算法流程
• 3.4 QPSO 算法测试结果
• 3.5 QPSO 算法和经典微粒群算法的比较
• 3.5.1 QPSO 算法的特性
• 3.5.2 QPSO 算法的优点
• 3.5.3 QPSO 算法存在的问题
• 3.6 小结
• 第四章 基于全局层次的自适应具有量子行为的粒子群算法
• 4.1 自适应参数控制
• 4.2 QPSO 算法的参数选择及收敛行为
• 4.3 QPSO 算法的多样性控制模型
• 4.4 AQPSO 算法的实现
• 4.5 实验结果
• 4.6 小结
• 第五章 基于动态邻域的具有量子行为的粒子群算法
• 5.1 粒子群算法的两种基本进化模型
• 5.2 基本的邻域结构
• 5.3 NQPSO 算法的思想
• 5.4 NQPSO 算法的实现
• 5.5 实验结果
• 5.6 邻域群拓扑的讨论
• 5.7 小结
• 第六章 QPSO 改进算法求解旅行商问题
• 6.1 旅行商问题概述
• 6.1.1 引言
• 6.1.2 TSP 求解方法
• 6.1.3 求解TSP 的智能算法
• 6.2 QPSO 改进算法求解TSP
• 6.3 实验结果
• 6.4 小结
• 第七章 总结与展望
• 7.1 工作总结
• 7.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文