資源描述：
《粒子群優(yōu)化算法論》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。
1、粒子群優(yōu)化算法摘要近年來，智能優(yōu)化算法—粒子群算法（particleswarmoptimization，簡稱PSO）越來越受到學(xué)者的關(guān)注。粒子群算法是美國社會(huì)心理學(xué)家JamesKennedy和電氣工程師RussellEberhart在1995年共同提出的，它是受到鳥群社會(huì)行為的啟發(fā)并利用了生物學(xué)家FrankHeppner的生物群體模型而提出的。它用無質(zhì)量無體積的粒子作為個(gè)體，并為每個(gè)粒子規(guī)定簡單的社會(huì)行為規(guī)則，通過種群間個(gè)體協(xié)作來實(shí)現(xiàn)對(duì)問題最優(yōu)解的搜索。由于算法收斂速度快，設(shè)置參數(shù)少，容易實(shí)現(xiàn)，能有效地
2、解決復(fù)雜優(yōu)化問題，在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、圖解處理、模式識(shí)別以及一些工程領(lǐng)域都得到了廣泛的應(yīng)用。PSO是首先由基于不受約束的最小化問題所提出的基于最優(yōu)化技術(shù)。在一個(gè)PSO系統(tǒng)中，多元化解決方案共存且立即返回。每種方案被稱作“微?！保瑢ふ铱臻g的問題的微粒運(yùn)動(dòng)著尋找目標(biāo)位置。一個(gè)微粒，在他尋找的時(shí)間里面，根據(jù)他自己的以及周圍微粒的經(jīng)驗(yàn)來調(diào)整他的位置。追蹤記憶最佳位置，遇到構(gòu)建微粒的經(jīng)驗(yàn)。因?yàn)槟莻€(gè)原因，PSO占有一個(gè)存儲(chǔ)單元（例如，每個(gè)微粒記得在過去到達(dá)時(shí)的最佳位置）。PSO系統(tǒng)通過全局搜索方法（通過）搜索
3、局部搜索方法（經(jīng)過自身的經(jīng)驗(yàn)），試圖平衡探索和開發(fā)。粒子群優(yōu)化算法是一種基于群體的自適應(yīng)搜索優(yōu)化算法，存在后期收斂慢、搜索精度低、容易陷入局部極小等缺點(diǎn)，為此提出了一種改進(jìn)的粒子群優(yōu)化算法，從初始解和搜索精度兩個(gè)方面進(jìn)行了改進(jìn)，提高了算法的計(jì)算精度，改善了算法收斂性，很大程度上避免了算法陷入局部極?。畬?duì)經(jīng)典函數(shù)測試計(jì)算，驗(yàn)證了算法的有效性。關(guān)鍵詞：粒子群優(yōu)化算法；粒子群；優(yōu)化技術(shù)；最佳位置；全局搜索;搜索精度Particleswarmoptimization(PSO)algorithmisanovele
4、volutionaryalgorithm.Itisakindofstochasticglobaloptimizationtechnique.PSOfindsoptimalregionsofcomplexsearchspacesthroughtheinteractionofindividualsinapopulationofparticles.TheadvantagesofPSOlieinsimpleandpowerfulfunction.Inthispaper,classicalparticleswar
5、moptimizationalgorithm,thepresentconditionandsomeapplicationsofthealgorithmsareintroduced,andthepossibleresearchcontentsinfuturearealsodiscussed.PSOisapopulation-basedoptimizationtechniqueproposedfirstlyfortheaboveunconstrainedminimizationproblem.InaPSOs
6、ystem,multiplecandidatesolutionscoexistandcollaboratesimultaneously.Eachsolutioncalleda‘‘particle’’,fliesintheproblemsearchspacelookingfortheoptimalpositiontoland.Aparticle,astimepassesthroughitsquest,adjustsitspositionaccordingtoitsown‘‘experience’’aswe
7、llastheexperienceofneighboringparticles.Trackingandmemorizingthebestpositionencounteredbuildparticle_sexperience.Forthatreason,PSOpossessesamemory(i.e.everyparticleremembersthebestpositionitreachedduringthepast).PSOsystemcombineslocalsearchmethod(through
8、selfexperience)withglobalsearchmethods(throughneighboringexperience),attemptingtobalanceexplorationandexploitation.AbstractParticleSwarmOptimizationAlgorithmisakindofauto-adaptedsearchoptimizationbasedoncommunity.Butthesta
