粒子群算法在复杂函数优化中的学习策略及其改进

《粒子群算法在复杂函数优化中的学习策略及其改进》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号______________________________密级______________________________ＵＤＣ______________________________编号______________________________硕士学位论文粒子群算法在复杂函数优化中的学习策略及其改进学位申请人：王博建学科领域：计算机软件与理论校内导师：夏学文副教授答辩日期：独创性声明本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人

2、已经发表和撰写的研究成果，也不包含为获得华东交通大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人签名_______________日期____________关于论文使用授权的说明本人完全了解华东交通大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅。学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。保密的论文在解密后遵守此规定，本论文无保密内容。学生本人签名日期校内导师签名日期校外导师签名日期摘要

3、粒子群算法在复杂函数优化中的学习策略及其改进摘要粒子群优化算法（ParticleSwarmOptimization，PSO）是近年来被广为关注和研究的一种群智能优化算法，以算法参数少，求解过程简单，寻优效果优良等优点得到了较多的认可和应用。然而现有的一些PSO算法在面对更为复杂的优化问题时，如多峰函数优化问题以及大规模函数优化问题，往往难以兼顾种群多样性和收敛精度，存在早熟收敛、易陷入局部极值等问题，将其应用于实际工程问题还存在很多值得改进和提高之处。本文在前人相关研究成果的基础上，针对粒子群早熟收敛，易陷入局部最优等问题提出了一些改进方法，

4、主要工作如下：1、提出一种自适应性多种群的粒子群算法。在该算法中，我们引入一种种群自适应重组策略来保持种群多样性，避免种群过快陷入早熟收敛；同时，引入一种基于种群历史信息指导的探测策略来增加种群逃离局部最优的能力；最后通过引入两种局部搜索策略来提高种群收敛速度及开采精度。实验结果表明，改进算法有效地改善了PSO算法在进化过程中易早熟收敛、陷入局部极值等问题。2、提出一种基于多层次适应与有目的探测的精密粒子群算法。该算法中，粒子不仅依据其适应度景观更新其学习模型，并且周期性地重新选择邻居粒子的某些维度进行学习。同时，引入一种基于种群历史信息的禁

5、忌探测操作和一种简易局部搜索策略来提升种群跳出局部最优的能力并提高求解精度。仿真实验表明，该算法不仅在单峰函数、多峰函数上有较好表现，同时在大规模问题以及某些实际应用问题中也表现出较好的性能。关键词：粒子群算法，多种群，自适应性，多层次适应，探测操作，局部搜索IAbstractTHELEARNINGSTRATEGYOFPARTICLESWARMOPTIMIZATIONINCOMPLEXFUNCTIONOPTIMIZATIONANDITSIMPROVEMENTABSTRACTParticleSwarmOptimizationalgorithm(

6、PSO)isanintelligentoptimizationwhichhasbeenwidelyconcernedandstudiedinrecentyears.Withfewparameters,simpleprocessandgoodsearchresults,ithasgainedmorerecognitionandapplication.However,someexistingPSOalgorithmsareoftendifficulttobalancethepopulationdiversityandconvergenceaccu

7、racy,andeasilytrappedinlocaloptimum,especiallyincomplexmultimodalfunctionandlargescalefunctionoptimization.Therearealotofproblemstoimprove,whenitisappliedinrealworldproblems.Onthebasisofpreviousresearchresults,thispaperproposesomeimprovedmethodsfortheproblemofprematureconve

8、rgenceandeasytogetintolocaloptimization.Themainworkareasfollows:1.Thispaperpropose