粒子群优化算法.doc
- 文档编号:2495862
- 上传时间:2022-10-30
- 格式:DOC
- 页数:33
- 大小:815.50KB
粒子群优化算法.doc
《粒子群优化算法.doc》由会员分享,可在线阅读,更多相关《粒子群优化算法.doc(33页珍藏版)》请在冰豆网上搜索。
苏州大学本科生毕业设计(论文)
本文由【中文word文档库】搜集整理。
中文word文档库免费提供海量教学资料、行业资料、范文模板、应用文书、考试学习和社会经济等word文档
目录在4月份已经发给所有同学的模板基础上,需要补充说明如下5点格式要求:
1.公式所在行的排版要“右对齐”,且公式本身基本上要处于所在行的中间;
2.每篇参考文献原则上一定要在论文正文中顺序引用,引用格式为上标形式!
3.参考文献本身的格式一定要特别注意!
4.图和表的标题的字体为宋体、5号,图表标题要居中,图的标题在图的正下方,表的标题在表的正上方。
同时,图和表原则上要和论文正文在上面和下面各空开一行!
5.论文中如要给出关键源代码,则源代码要使用浅灰色底纹形式!
详见范文的第11页和12页!
前言 1
第一章概述 2
1.1引言 2
1.2研究背景 2
1.2.1人工生命计算 2
1.2.2粒子群算法与遗传算法 3
1.2.3人工神经网络与粒子群优化算法 3
第二章粒子群优化算法 5
2.1基本粒子群优化算法 5
2.2算法流程 5
2.3基本粒子群优化算法的缺点及改进方法 6
2.3.1基本粒子群优化算法的缺点 6
2.3.2几种改进算法 6
2.3.2.1标准粒子群优化算法 6
2.3.2.2带有收缩因子的粒子群优化算法 7
2.3.2.3采用微分扰动的粒子群 8
2.3.2.4带有小生境拓扑结构的粒子群优化算法 9
2.3.2.5带有梯度加速因子的粒子群优化算法 10
第三章基于多种群的粒子群优化算法 11
3.1算法基本改进方法 11
3.2算法伪代码 11
第四章实验分析 14
4.1几种常用改进算法 14
4.2标准测试函数 14
4.3收敛速度实验分析 15
4.3.1实验设置 16
4.3.2实验结果 16
4.4收敛性能实验分析 17
4.4.1实验设置 17
4.4.2实验结果 18
4.5算法参数分析 19
4.5.1实验设置 19
4.5.2实验结果 20
第五章 基于多种群的粒子群优化算法的应用 21
5.1 生产计划问题描述 21
5.2 实例 22
5.3 运行结果 23
第六章 总结与展望 24
6.1 课题总结 24
6.2 后续研究展望 24
参考文献 25
致谢 27
29
摘要
在智能领域,大部分问题都可以归结为优化问题。
常用的经典优化算法都对问题有一定的约束条件,如要求优化函数可微等,仿生算法是一种模拟生物智能行为的优化算法,由于其几乎不存在对问题的约束,因此,得到广泛应用。
本文首先描述了基本粒子群优化算法及其几种改进算法的基本原理,,并对基本粒子群优化算法参数进行了简要分析.。
根据分析结果,,提出了一种基于多种群的粒子群优化算法.。
在5个标准优化函数上与基本粒子群优化算法及几种改进算法进行了比较,,实验结果表明本文算法在优化多模式函数时性能明显要优于其它算法.。
本文算法应用于生产计划安排问题上也获得了较好的性能.。
最后,对本文进行了简单的总结和展望。
关键词:
粒子群优化,适应度,群智能
Abstract
Inthefieldofartificialintelligence,mostproblemsbelongtothecategoryofoptimization.Theclassicalalgorithmsincommonuseareusuallylimitedbycertainoptimizingproblemssuchastheobjectoptimizationfunction,whichhastobeacontinuousone.Asbionicalgorithmimitatestheintellectiveactionsoflifefreefromthelimitsresultingfromtheoptimizingproblems,thiskindofalgorithmiscommonlyused.
Atfirstplace,thisdissertation,basingontheparticleswarmoptimization,illustratesthefundamentofthisalgorithm.Thispaperalsoplacesemphasisontheanalysisofparameterthatmayaffecttheperformanceofthealgorithm.Alsoanintroductionofimprovedalgorithmsandpopularadvancedimprovingstrategiesisshown,aswellasthemasteryofbasicresearchingprocessandmethods.Accordingtotheresultoftheanalysis,theauthorputforwardanewmulti-swarmsPSOalgorithmtoovercomethedefectsoftheoriginal.Throughthesimulation,theresultsshowthat,comparedwithotherPSOvariants,thealgorithmproposedbytheauthorhasattainedabettersolutiontothesameproblems.Finally,thepapergavesomefurtherexpectationsconcerningthePSOalgorithmresearch.
Keywords:
ParticleSwarmOptimization,Fitness,GroupIntelligence
前言
优化是个古老的问题,其研究的问题是在众多方案中寻找最优方案。
长期以来,优化问题一直受到广泛关注,是研究的热点问题。
早在17世纪,英国Newton和德国Leibnitz发明的微积分就蕴涵了优化的内容。
而法国数学家Cauchy则首次采用最速梯度下降法解决了无约束优化问题。
后来针对约束优化问题又提出了Lagrange乘数法。
人们关于优化问题的研究工作,随着历史的发展不断深入。
但是,任何科学的进步都要受到历史条件的限制,直到二十世纪四十年代,由于科学技术突飞猛进的发展,尤其是高速数字计算机日益广泛应用,使得优化问题的研究不仅成为一种迫切需要,而且有了求解的有力工具。
因此,优化理论和算法迅速发展起来,成为一门新的学科。
至今已出现线性规划、整数规划、非线性规划、几何规划、动态规划、随机规划等许多分支。
这些优化技术在实际应用中正发挥越来越大的作用。
随着人们生存空间的扩大,这些常规的优化方法已经无法处理人们所面对的复杂问题。
因此,高效的优化算法成为科学工作者的研究目标之一。
本文研究的粒子群优化算法(particleswarmoptimization,简称PSO)是Kennedy和Eberhart源于群体智能和人类认知学习过程而发展的一种智能优化算法。
它与遗传算法(GA)同属群体优化技术,但PSO比GA更简单、操作更方便。
因此,PSO算法从诞生起,就引起了国内外学者的广泛关注,并掀起了该方法的研究热潮,且在诸多领域得到了成功应用。
但是,PSO的发展历史尚短,在理论基础与应用推广上都还存在一些问题,如早熟,种群单一化等,有待于解决。
针对上述的问题,本文通过对PSO算法原理进行分析,在深入理解几种PSO改进算法的基础上,对PSO存在的问题提出了新的改进方法,并将改进的算法应用于实际优化问题中。
本文主要通过MATLAB7系列作为工作环境,实现算法以及相应的问题模拟。
全文共分五章。
第一章概述,主要介绍PSO算法研究背景。
第二章粒子群优化算法,主要介绍PSO算法基本原理,简要分析PSO主要缺陷,并介绍几种常用的改进PSO方法。
第三章基于多种群的粒子群优化算法,针对PSO的主要缺陷提出相应改进策略,并给出伪代码。
第四章实验分析,为了检测本文算法性能,选择了三种常用改进PSO算法与本文算法进行了实验比较,并对实验结果进行了简要分析。
同时对本文算法中主要参数设置方法进行了实验分析,以给出算法参数设置指导思想。
第五章基于多种群粒子群优化算法的应用,本文算法被用于优化生产计划问题并得出结果。
第六章对课题进行总结,并对未来的改进进行展望。
第一章概述
1.1引言
最优化问题是在满足一定约束条件下,寻找一组参数值,使得系统的某些性能指标达到最大或者最小。
它广泛的存在于农业,国防,工程,交通,金融,能源,通信,材料等诸多领域。
最优化技术在上述领域的应用已经产生了巨大的经济效益和社会效益。
国内外的实践证明,在同样条件下,经过优化技术的处理,对系统效率的提高,能耗的降低,资源的合理利用及经济效益提高均有显著的效果,而且随着处理对象规模的增大,这种效果也更加显著。
但随着处理对象规模的增大,优化问题也越来越复杂,而经典的优化技术对问题的约束比较大,如梯度下降法要求优化函数是可导等,因此,对于新型优化算法的研究具有重要的意义。
1.2研究背景
1.2.1人工生命计算
人们从生命现象中得到启示,发明了许多智能的优化方法来解决复杂优化问题。
现在已有很多源于生物现象的计算技巧。
例如,人工免疫[1]模拟生物免疫系统的学习和认知功能,人工神经网络[2~-6]是简化的大脑模型,遗传算法[7]是模拟基因进化的过程。
在计算智能(computationalintelligence)领域有两种基于群体智能swarmintelligence[8~-13]的算法,粒子群优化算法(particleswarmoptimization)[14]和蚁群算法(antcolonyoptimization)[9][13][15]。
[9,13,15]蚁群优化算法模拟了蚂蚁群体在路径选择和信息传递方面的行为,而粒子群优化算法模拟群居动物觅食迁徙等群体活动中个体与群体协调合作的工作过程。
这类借鉴了模拟生命系统行为功能和特性的科学计算方法称为人工生命计算。
人工生命计算包括两方面的内容,研究如何利用计算技术研究生物现象和研究如何利用生物技术研究计算问题。
人工神经网络,粒子群优化算法,遗传算法,蚁群优化算法等都属于人工生命计算的范畴。
本文详细介绍的粒子群优化算法是其中的一种新兴计算方法。
它同遗传算法类似,同属随机迭代优化工具。
同遗传算法等其他人工生命计算相比,粒子群算法概念简单,容易实现,调节参数较少。
目前粒子群算法越来越引起人们的关注。
1.2.2粒子群算法与遗传算法
大多数迭代优化技术都有相似的流程:
1.种群元素随机初始化。
2.计算种群个体位置适应值(fitnessvalue)。
适应值体现与最优解的差异。
3.种群依适应值进行相应演化。
4.达到停止条件,停止,否则转2。
通过对上述步骤观察,可见粒子群算法和遗传算法有很多相似之处。
两者都随机初始化种群(遗传算法则是染色体)。
使用适应函数评价系统,且根
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 粒子 优化 算法