个性化微粒群算法研究

论文摘要

微粒群算法是一种模拟鸟群飞行、鱼群游动等生物群体社会行为的群体随机优化算法,由于它结构简单、运算速度较快,已广泛应用于许多领域。论文从智能体(Agent)观点出发,提出了个性化微粒群算法框架,并将其应用于参数选择及结构优化。标准微粒群算法仅利用了微粒的记忆性,没有考虑微粒的其它特性。这一局限使得微粒群算法与其生物学背景之间存在较大差异,从而影响了算法的计算效率。有鉴于此,论文将算法中的微粒视为具有记忆能力、通讯能力、响应能力、协作能力及自学习能力的智能体(Agent)粒子,提出了个性化微粒群算法框架。该算法在标准微粒群算法的基础上,利用多智能体之间的相互竞争、相互协作,使微粒能更好地适应周围环境,从而更加符合算法的生物学背景。参数选择是微粒群算法研究的一个重要内容,与已有的参数选择策略不同,个性化的参数选择策略需要充分利用各微粒的通讯、响应、协作及自学习能力,从而导致不同微粒在同一代中参数具有不同的值。论文以各微粒对环境适应能力的优劣为基础,提出了线性化的性能评价指标作为微粒的自学习能力,并根据协作能力动态调整全局搜索能力与局部搜索能力之间的比例。基于该思想,论文成功提出了惯性权重、认知系数及社会系数的个性化选择策略,仿真结果表明这些策略能有效地提高算法的计算效率。对于微粒群算法的另一个重要研究内容—结构优化,论文根据较优位置附近存在全局极值点的概率较大这一原则,初步探讨了个性化的微粒群算法结构实现方式。由于个性化惯性权重策略具有较高的选择压,容易陷入局部极值点。因此,论文引入一种特殊的结构以限制局部搜索能力,强化其全局搜索能力,从而有效地避免了过早收敛现象的发生。然而,该策略的全局搜索性能仍然较弱,为此,论文进一步提出了一种发散的进化方式。仿真结果表明该算法能有效提高种群多样性。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 引言
• 1.1 优化问题
• 1.1.1 遗传算法
• 1.1.2 模拟退火算法
• 1.1.3 禁忌搜索算法
• 1.2 群体智能算法
• 1.2.1 群智能
• 1.2.2 常见的群智能算法
• 1.3 微粒群算法
• 1.3.1 标准微粒群算法
• 1.3.2 标准微粒群算法流程
• 1.3.3 社会行为分析
• 1.3.4 与其它进化算法的比较
• 1.3.5 微粒群算法的研究背景和现状
• 1.4 本文主要完成的工作
• 第二章 个性化惯性权重设计策略
• 2.1 个性化微粒群算法框架
• 2.1.1 标准微粒群算法的分析
• 2.1.2 多智能体介绍
• 2.1.3 个性化微粒群算法框架
• 2.2 惯性权重的个性化选择策略
• 2.2.1 类繁殖池策略
• 2.2.2 类FUSS 策略
• 2.2.3 类锦标赛策略
• 2.2.4 算法流程
• 2.2.5 实例仿真
• 2.3 带有混沌策略的IIWS1
• 2.3.1 IIWS1 的种群多样性分析
• 2.3.2 混沌的基本概念
• 2.3.3 几种典型的混沌模型
• 2.3.4 算法流程
• 2.3.5 实例仿真
• 2.4 带有变异的IIWS1
• 2.4.1 变异策略
• 2.4.2 算法流程
• 2.4.3 实例仿真
• 2.5 小结
• 第三章 个性化认知系数与社会系数设计策略
• 3.1 已有认知系数与社会系数选择策略的缺陷
• 3.2 基于历史最优适应值的认知系数个性化调整策略
• 3.2.1 个性化设计策略
• 3.2.2 变异策略
• 3.2.3 算法流程
• 3.2.4 仿真实例
• 3.3 基于当前适应值的认知系数个性化调整策略
• 3.3.1 个性化调整策略
• 3.3.2 变异策略
• 3.3.3 算法流程
• 3.3.4 仿真实例
• 3.4 社会系数的个性化选择策略
• 3.4.1 个性化调整策略
• 3.4.2 变异策略
• 3.4.3 算法流程
• 3.4.4 仿真实例
• 3.5 认知系数与社会系数的混合个性化选择策略
• 3.5.1 个性化调整策略
• 3.5.2 变异策略
• 3.5.3 算法流程
• 3.5.4 仿真实例
• 3.6 小结
• 第四章 个性化改进微粒群算法
• 4.1 基于个性化惯性权重的改进微粒群算法
• 4.1.1 个性化惯性权重选择策略分析
• 4.1.2 基于个性化惯性权重策略的改进微粒群算法
• 4.1.3 仿真实例
• 4.2 基于发散结构的个性化改进微粒群算法
• 4.2.1 吸引扩散微粒群算法
• 4.2.2 基于发散结构的个性化改进微粒群算法
• 4.2.3 仿真实例
• 4.3 小结
• 第五章 总结与展望
• 参考文献
• 研究生期间参加科研项目和发表的论文
• 致谢
• 个人简况及联系方式