粒子群優(yōu)化算法與其應用-研究

《粒子群優(yōu)化算法與其應用-研究》由會員上傳分享，免費在線閱讀，更多相關內容在教育資源-天天文庫。

1、寧夏大學碩士學位論文第一章緒論間任務調度、實時機器人路徑規(guī)劃、圖像分割、EEG信號模擬、語音識別、燒傷診斷以及探測移動目標等方面已經得到成功的應用，粒子群優(yōu)化算法具有很多優(yōu)點，主要體現在對整個種群進行群體搜索，能記憶個體最優(yōu)解，算法的原理簡單，易于理解編程實現，協(xié)同搜索，通過群體的全局最優(yōu)信息和個體局部信息共同完成，易于與其它算法相互混合，能構造出具有更好優(yōu)化性能的新算法，相對于螞蟻群算法等其它智能優(yōu)化算法，此算法能夠較快收斂到全局最優(yōu)位置.1.2課題的國內外研究現狀粒子群優(yōu)化算法(簡稱PSO)是1995年提出的，由于其原理簡單易懂，以及

2、前面給出的許多優(yōu)點，因此使得很多研究學者對這種算法產生濃厚的興趣且對這種算法進行研究，目前針對粒子群優(yōu)化算法的研究已經取得了很大的進展，包括應用研究和理論研究，這些進展主要體現在以下幾方面：(1)針對粒子群優(yōu)化算法容易陷入早熟收斂和為了提高粒子的收斂速度而進行的研究.文獻[21]提出了一種簡化的自適應粒子群優(yōu)化算法，針對帶有收縮因子的粒子群優(yōu)化算法(CFPSO)容易陷入局部最優(yōu)位置、進化后期的收斂速度慢和求解精度低等缺點，文中采用了自適應簡化粒子群優(yōu)化(AsCFPSO)方程與混沌搜索技術相結合的方法，提出了基于混沌搜索的自適應簡化粒子群優(yōu)

3、化(CAsCFPSO)算法；文獻[22]中美國的Shi和Eberhart研究發(fā)現，PSO算法中等式的第一部分為速度因子，由于此種算法具有隨機性和擴大搜索空間的優(yōu)點，因此研究學者們?yōu)榱丝刂屏Ｗ右郧帮w行速度對當前飛行速度的影響，引入了慣性權重，它的作用是平衡算法的全局尋優(yōu)能力和局部尋優(yōu)能力，即平衡算法的收斂速度和收斂精度，表現為慣性權重的取值越大，則粒子群算法的全局尋優(yōu)能力就越強，反之，慣性權重的取值越小，則粒子群算法的局部尋優(yōu)能力就越強.為了能找到更好的慣性權重的選取方法，使得粒子在局部和全局之間更好的搜索，許多研究學者進行了大量的研究，提

4、出了慣性權重的不同選取策略：文獻[24]提出了一種動態(tài)改變慣性權重的方法，文獻[25]給出了一種非線性改變慣性權重的方法，文獻[26]提出了一種基于混沌的動態(tài)改變慣性權重的方法，文獻[27]根據粒子適應度值改變慣性權重的選取方法，以上提到的改變慣性權重的方法提高了粒子群優(yōu)化算法的全局尋優(yōu)能力.PSO作為一種新的隨機優(yōu)化算法，它的缺點也表現在容易陷入早熟收斂和全局收斂速度慢這兩個方面，為了避免粒子群算法過早陷入早熟收斂的缺點，許多研究學者通過控制種群的多樣性來提高算法性能，文獻[28]針對基本PSO算法存在易陷入局部最優(yōu)位置的缺點，提出了一

5、種新型的PSO算法——混合變異粒子群優(yōu)化算法.在每次迭代過程中，對滿足變異條件的粒子，以多種變異函數方式進行變異，而這些變異函數分別被給予了一定概率，概率的劃分取決于特定的優(yōu)化問題.文獻[29]針對粒子群優(yōu)化算法容易早熟、收斂精度低等缺點，通過采用全變異策略、最大搜索速度自適應調整等策略給出了一種全變異粒子群優(yōu)化算法.文獻[30]提出了一種基于群能量恒定的粒子群優(yōu)化算法，該算法根據粒子內能進行動態(tài)分群，對于具有比較好的適應度值的小群體采取引入最差粒子的速度公式更新方法，對于具有比較差的適應度值的小群體采取帶有懲罰機制的速度公式更新方法，用

6、其分擔由于較優(yōu)群體速度降低而產生的整群能量的損失，從而有效地克服了PSO算法的早熟.(2)為增強PSO全局搜索能力而進行的研究.文獻[31]針對粒子群優(yōu)化算法容易陷入局部最優(yōu)解的問題，采用了協(xié)同處理的粒子群優(yōu)化算法:對于種群中適應度值差于平均適應度值的粒子，2寧夏大學碩士學位論文第一章緒論采用動態(tài)Zaslavskii混沌映射公式調整粒子的慣性權重；對于種群中適應度值優(yōu)于或等于平均適[32][33]應度值的粒子，采用動態(tài)非線性函數公式調整粒子的慣性權重.Higashi、NingLi、呂振肅[34]等人分別提出了自己的變異粒子群優(yōu)化算法，其基

7、本思路都是想通過引入變異算子以此來跳出局部最優(yōu)值的吸引，提高算法的全局尋優(yōu)能力，從而得到精度較高的計算結果.(3)與其它算法的結合.Das等人將差分進化(DE)引入粒子群算法速度更新公式中從而提出了PSO-DE算法．高鷹等提出的基于模擬退火算法(SA)的粒子群優(yōu)化算法是以基本粒子群算法的具體流程作為主要運算流程，把模擬退火機制引入粒子群算法，與粒子群算法的求解速度快、易于編程實現等優(yōu)點與具有非常好的跳出局部最優(yōu)解能力的模擬退火算法相結合，避免了粒子群優(yōu)化算法容易陷入局部最優(yōu)值點的缺陷，從而加快了粒子群算法在進化后期的收斂速度．盡管對粒子群

8、算法的研究已經取得了很大的進展，但對算法本身的工作原理、算法內部機理還沒有真正建立，算法中參數的取值還不夠恰當，PSO的研究熱點主要體現在以下幾方面：(1)與其它智能優(yōu)化算法的融合.將PSO和