粒子群算法優(yōu)化方法綜述

《粒子群算法優(yōu)化方法綜述》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、粒子群算法優(yōu)化方法綜述摘要：粒子群算法（PSO）是一種基于群體智能的進(jìn)化算法，具有實(shí)現(xiàn)容易，精度高，收斂快等優(yōu)點(diǎn)，本文就粒子群算法（pso）的優(yōu)化方面進(jìn)行綜述。并對(duì)目前的應(yīng)用研究方向進(jìn)行總結(jié)。本文采集自網(wǎng)絡(luò)，本站發(fā)布的論文均是優(yōu)質(zhì)論文，供學(xué)習(xí)和研究使用，文中立場(chǎng)與本網(wǎng)站無(wú)關(guān)，版權(quán)和著作權(quán)歸原作者所有，如有不愿意被轉(zhuǎn)載的情況，請(qǐng)通知我們刪除己轉(zhuǎn)載的信息，如果需要分享，請(qǐng)保留本段說(shuō)明。關(guān)鍵詞：粒子群算法；粒子群算法優(yōu)化；PSO一、粒子群算法的背景粒子群算法（ParticleSwarmOptimization,PSO）最早是由Eberhart和K

2、ennedy于1995年提出。該算法從鳥群的覓食活動(dòng)中得到啟發(fā)并用于求解優(yōu)化問(wèn)題。、算法簡(jiǎn)介該算法主要模擬鳥群的覓食行為，假設(shè)一個(gè)有n只鳥（粒子）組成的鳥群（群體）對(duì)D維的空間進(jìn)行覓食，每只鳥在飛行的時(shí)候，既要考慮到自己的當(dāng)前最優(yōu)位置，也要也考慮鳥群的最優(yōu)位置，在算法實(shí)現(xiàn)時(shí)加入了cl和c2兩個(gè)量。cl是粒子個(gè)體認(rèn)知系數(shù)，稱為“認(rèn)知學(xué)習(xí)因子”。c2是社會(huì)認(rèn)知系數(shù)，所以又叫做“社會(huì)學(xué)習(xí)因子”。兩者統(tǒng)稱為“學(xué)習(xí)因子”。下面給出粒子群算法的速度以及位置更新公式:除了以上4種，還有其他針對(duì)的學(xué)習(xí)因子進(jìn)行優(yōu)化的方法，例如帶有權(quán)重函數(shù)學(xué)習(xí)因子[12];三

3、角函數(shù)變化學(xué)習(xí)因子[13];非對(duì)稱學(xué)因子[14]等等。四、粒子群算法的應(yīng)用例如將其應(yīng)用到各類連續(xù)問(wèn)題和離散問(wèn)題的優(yōu)化，包括模糊控制器設(shè)計(jì)，機(jī)器人路徑規(guī)劃，信號(hào)處理和模式識(shí)別，將其應(yīng)用到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，將其應(yīng)用到各種實(shí)際問(wèn)題中，包括車間調(diào)度，TSP,VRP,配電網(wǎng)絡(luò)，農(nóng)業(yè)工程等各種實(shí)際問(wèn)題中。五、粒子群算法展望隨著各種優(yōu)化過(guò)后的粒子群算法的提出，例如MOPSO（多目標(biāo)粒子群算法），DMPSO（動(dòng)態(tài)多目標(biāo)粒子群優(yōu)化算法），SMOPSO（隨機(jī)多目標(biāo)粒子群算法），CMPSO（混沌變異粒子群算法），粒子群算法將會(huì)應(yīng)用到更多的實(shí)際當(dāng)中去。因?yàn)榱Ｗ尤核?/p>

4、法本身存在易陷入局部最優(yōu)，因此如何將其與其他智能算法結(jié)合，取長(zhǎng)補(bǔ)短，也將會(huì)成為一大趨勢(shì)。[參考文獻(xiàn)][1]ShiY，EberhartR.Modifiedparticleswarmoptimizer[C]//IEEEInternationalConferenceonEvolutionaryComputationProceedings,1998.IEEEWorldCongressonComputationalIntelligence.IEEEXplore，1998：69-73.[2]ZhengYL，MaLH,ZhangLY，etal.Onthe

5、convergenceanalysisandparameterselectioninparticleswarmoptimization[C]//InternationalConferenceonMachineLearningandCybernetics.IEEE,2003：1802-1807Vol.3.[1]崔紅梅，朱慶保.微粒群算法的參數(shù)選擇及收斂性分析[J].計(jì)算機(jī)工程與應(yīng)用，2007，43(23)：89-91.[2]趙志剛，黃樹運(yùn)，王偉倩.基于隨機(jī)慣性權(quán)重的簡(jiǎn)化粒子群優(yōu)化算法[JL計(jì)算機(jī)應(yīng)用研究，2014，31(2)：361-363.

6、[3]王麗，王曉凱.一種非線性改變慣性權(quán)重的粒子群算法[J].計(jì)算機(jī)工程與應(yīng)用，2007，43(4)：47-48.[4]王啟付，王戰(zhàn)江，王書亭.一種動(dòng)態(tài)改變慣性權(quán)重的粒子群優(yōu)化算法[J].中國(guó)機(jī)械工程，2005，16(11)：945-948.[5]姜長(zhǎng)元，趙曙光，沈士根，等.慣性權(quán)重正弦調(diào)整的粒子群算法[J].計(jì)算機(jī)工程與應(yīng)用，2012，48(8)：40-42.[6]馬斌，羅洋，楊袁，等.動(dòng)態(tài)調(diào)整學(xué)習(xí)因子的粒子群優(yōu)化算法[JL甘肅科技，2014,30(16)：58-59.[7]馮浩，李現(xiàn)偉.PSO算法中學(xué)習(xí)因子的非線性異步策略研究[JL安陽(yáng)

7、師范學(xué)院學(xué)報(bào)，2015(5)：44-47.[8]SuganthanPN.Particleswarmoptimiserwithneighbourhoodoperator[C]//EvolutionaryComputation,1999.CEC99.Proceedingsofthe1999Congresson.IEEE,1999：1962Vol.3.[9]RatnaweeraA，HalgamugeSK，WatsonHC.Self-organizinghierarchicalparticleswarmoptimizerwithtime-varyi

8、ngaccelerationcoefficients[J].IEEETransactionsonEvolutionaryComputation,2004,8(3)：240-255