粒子群优化算法研究

《粒子群优化算法研究》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、····摘要摘要优化算法是一类解决与最优化相关的问题的方法。长久以来，传统的工程优化算法在最优化领域得到了较为广泛地应用并且取得了较好的效果。但随着优化问题的复杂性和规模逐渐增大，传统算法有时很难求解这类问题。近年来，基于群智能的优化算法得到了较多地关注。其中，粒子群优化算法以其参数少，过程简单，寻优效果好等优点，得到了较多地认可和应用，并由此衍生出了一些改进算法和类似的群智能算法。然而，相关研究成果往往难以兼顾收敛精度和算法效率，有些算法的收敛精度仍然较低，并且在进行局部搜索时，解决方式单一，求解效果一般。因此，有必要对粒子群优化算法进行进一

2、步地研究。拉丁超立方抽样是一种效果较好的抽样实验设计方法，一般用于抽样实验，鲜有报道将其用于优化算法中。本文研究了将抽样方法应用到优化过程中的可行性，提出了一种采用抽样策略的粒子群优化算法。首先，提出了一种利用拉丁超立方抽样策略的种群进化方法，抽样生成中间群体和中间粒子，择其优者进入下一轮，以加快收敛速度；然后，提出了一种基于随机采样的最优位置修正方法，以便及时发现空间中的更优位置；最后，提出了“双抽样”局部搜索方法，通过“粗抽样”和“细抽样”两次抽样，提高收敛精度。实验证明，该算法有良好的寻优能力，提高了基本算法的收敛精度和收敛速度。基本粒子

3、群算法的惯性权重和加速因子缺乏自适应性，寻优过程中各维的优秀信息难以被保存，而且不易跳出局部最优。本文在研究基本粒子群算法寻优过程的基础上，提出了一种融合快速信息交流和局部搜索的粒子群算法。首先，设计了一种新的自适应惯性权重和加速因子，使粒子可以根据当前种群的状态自适应地调整自身速度；其次，借鉴基因交换的过程，提出了基于粒子信息交换的快速信息交流机制，以保留各维优秀信息；最后，引入并改进模式搜索法用于算法的精细搜索。实验证明，该算法的收敛精度和速度较基本算法有较大提升。本文主要工作是研究算法的改进方法，受改进方案的随机性和计算量所限，两种改进算

4、法的计算量仍然偏大，尤其是优化较高维问题时，有些问题收敛时间较长，结果欠佳，收敛精度和算法效率还有进一步提升的空间。在后续工作中，将进一步研究算法，并结合具体问题应用算法，以体现其实用价值。关键词：粒子群优化算法，拉丁超立方抽样，双抽样，信息交换，模式搜索，自适应论文类型：应用基础技术I···西安电子科技大学硕士学位论文II···ABSTRACTABSTRACTOptimizationalgorithmisamethodthatsolvesproblemsrelatedtooptimalissues.Traditionalengineering

5、optimizationalgorithmshavebeenappliedwidelyandachievedabigsuccessacrossmanyfields.While,asthecomplexityandscaleofoptimalissuesraisesharply,traditionalengineeringoptimizationalgorithmsmayfailsometimes.Optimizationalgorithmsviaswarmintelligencedevelopedsoontheseyears.Asamember

6、ofswarmintelligencealgorithms,PSO(ParticleSwarmOptimization)hasattractedmoreandmoreattentionandacceptancesasthefollowingadvantages:fewparameters,simpleprocedures,relativelyexcellentperformance,andsoon.ManyimprovementsandsimilarswarmalgorithmsareproposedbasedonPSOintheseyears

7、,butitcanbehardforthesealgorithmstobalanceconvergenceprecisionandefficiencywithsomeofthemkeepinglowprecisionorhavefewwaysinimprovethelocalsearchabilitiesofPSO.SoitisessentialtoresearchPSOfurther.LHS(LatinHypercubeSample)isasamplingexperimentdesignmethodwithagoodperformance.I

8、tisusedinsamplingexperimentasusual,whilefewusetooptimizationalgorithmsarere