自適應(yīng)粒子群算法研究及其在多目標(biāo)優(yōu)化中應(yīng)用

《自適應(yīng)粒子群算法研究及其在多目標(biāo)優(yōu)化中應(yīng)用》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、目錄第一章緒論31.1本文的。。。。。31.1.1智能優(yōu)化算法（見智能優(yōu)化算法及應(yīng)用P1頁）41.1.2三種典型智能優(yōu)化算法41.1.3粒子群算法與其他算法的異同61.1.4粒子群算法的優(yōu)劣勢及應(yīng)用（見粒子群算法及其應(yīng)用）71.2本文的研究背景71.3本文的研究內(nèi)容8第二章粒子群算法的基本原理和發(fā)展現(xiàn)狀82.1引言82.2粒子群算法的起源背景82.3粒子群算法的基本思想92.4基本粒子群算法模型與實(shí)現(xiàn)122.4.1基本粒子群算法模型122.4.2粒子的運(yùn)動軌跡分析132.4.3基本粒子群算法的參數(shù)設(shè)置13

2、2.4.4基本粒子群算法流程142.4.5基本粒子群算法的優(yōu)缺點(diǎn)172.5粒子群算法的研究現(xiàn)狀及方向172.5.1粒子群算法的研究現(xiàn)狀182.5.2粒子群算法的研究方向192.6粒子群算法的主要應(yīng)用192.7本章小結(jié)21第三章改進(jìn)的粒子群算法213.1引言213.2改進(jìn)的粒子群算法綜述213.3標(biāo)準(zhǔn)粒子群算法(粒子群算法及應(yīng)用P19)253.3.1算法思想253.3.2測試函數(shù)263.3.3算法測試283.3.4測試結(jié)果與算法評估313.4小生境粒子群算法313.4.1算法思想313.4.2算法測試313

3、.4.3測試結(jié)果與算法評估313.5自適應(yīng)調(diào)整飛行時(shí)間粒子群算法313.5.1算法思想313.5.2算法測試313.5.3測試結(jié)果與算法評估313.6本章小結(jié)31第四章自適應(yīng)粒子群算法AFIPSO324.1引言324.2AFIPSO基本思想324.3AFIPSO算法流程334.4AFIPSO實(shí)驗(yàn)344.4.1測試函數(shù)344.4.2參數(shù)選取354.4.3優(yōu)化結(jié)果與結(jié)果分析354.5本章小結(jié)37第五章AFIPSO在多目標(biāo)優(yōu)化問題中的應(yīng)用375.1引言375.2AFIPSO對多目標(biāo)函數(shù)的優(yōu)化385.2.1自適應(yīng)

4、粒子群算法（AFIPSO）385.2.2AFIPSO對多目標(biāo)函數(shù)的優(yōu)化385.3FCCU分餾塔的多目標(biāo)優(yōu)化模型435.4AFIPSO在工程中的應(yīng)用445.4.1多目標(biāo)轉(zhuǎn)化為單目標(biāo)445.4.2AFIPSO智能優(yōu)化FCCU分餾塔參數(shù)調(diào)試445.4.3AFIPSO優(yōu)化FCCU分餾塔結(jié)果及其比較分析465.5本章小結(jié)47結(jié)論47參考文獻(xiàn)48攻讀碩士期間取得的研究成果53致謝53第一章緒論隨著人類生存空間的擴(kuò)大，以及認(rèn)識世界和改造世界范圍的拓寬，現(xiàn)實(shí)中碰到的許多科學(xué)、工程和經(jīng)濟(jì)問題呈復(fù)雜化、多極化、非線性等特點(diǎn)，

5、這就使得高校的優(yōu)化技術(shù)和智能計(jì)算成為迫切要求。經(jīng)典的優(yōu)化算法通常采用局部搜索方法，它們一般與特定問題相關(guān)或是局部搜索方法的變形，適用于求解小規(guī)模且定義明確的問題。而實(shí)際工程問題一般規(guī)模較大，尋找一種適合于大規(guī)模并且局域智能特征的算法已成為人們研究的目標(biāo)和方向。二十世紀(jì)八十年代以來，涌現(xiàn)了很多新穎的優(yōu)化算法，如：混沌算法、遺傳算法GA（GeneticAlgorithm）、蟻群算法ACA（AntColonyAlgorithm）、粒子群算法PSO（ParticleSwarmOptimization）和模擬退火算

6、法SA（）等。它們通過模擬某些自然現(xiàn)象的發(fā)展過程而來，為解決復(fù)雜問題提供了新的思路和手段。由于這些算法構(gòu)造直觀且符合自然機(jī)理，因而被稱為智能優(yōu)化算法（）。1.1本文的。。。。。智能優(yōu)化算法是通過模擬某些自然現(xiàn)象的發(fā)展過程而形成的算法，以結(jié)構(gòu)化和隨機(jī)化的搜索策略實(shí)現(xiàn)算法的優(yōu)化過程，常用于大規(guī)模的并行計(jì)算。智能優(yōu)化算法提出后受到了人們的重視，其中遺傳算法、蟻群算法、粒子群算法作為三種典型智能算法得到迅速發(fā)展。1.1.1智能優(yōu)化算法（見智能優(yōu)化算法及應(yīng)用P1頁）智能優(yōu)化算法是通過模擬或揭示某些自然現(xiàn)象或過程發(fā)展

7、而來的，與普通的搜索算法一樣都是迭代算法，對問題的數(shù)學(xué)描述不要求滿足可微性、凸性等條件，是以一組解（種群）為迭代的初始值，將問題的參數(shù)進(jìn)行編碼，映射為可進(jìn)行啟發(fā)式操作的數(shù)據(jù)結(jié)構(gòu)。算法僅用到優(yōu)化的目標(biāo)函數(shù)值的信息，不必用到目標(biāo)函數(shù)的倒數(shù)信息，搜索策略是結(jié)構(gòu)化和隨機(jī)化的（概率型），其優(yōu)點(diǎn)是：具有全局的、并行的優(yōu)化性能，魯棒性、通用性強(qiáng)等。智能優(yōu)化算法的使用范圍非常廣泛，特別適用大規(guī)模的并行計(jì)算。1.1.2三種典型智能優(yōu)化算法智能優(yōu)化算法的應(yīng)用范圍廣泛，特別適用于大規(guī)模的并行計(jì)算。通過研究，人們先后提出了多種智

8、能優(yōu)化算法，其中遺傳算法、蟻群算法、粒子群算法較為典型。1、遺傳算法（見粒子群算法及應(yīng)用P5）1975年，Holland[]提出了遺傳算法，它是由自然界的進(jìn)化而得到啟發(fā)的一種有效解決最優(yōu)化問題的方法。遺傳算法是一種全局范圍的探索過程，在解決復(fù)雜問題中它常常能夠?qū)ふ业阶顑?yōu)解的附近區(qū)域。每個(gè)染色體個(gè)體代表一個(gè)潛在解，在利用此算法求解前，需對染色體進(jìn)行二進(jìn)制編碼，然后通過選擇、交叉和變異三個(gè)步驟進(jìn)行進(jìn)化，解隨著進(jìn)化而得到改善。1）選