基于控制思想粒子群优化算法改进的研究

《基于控制思想粒子群优化算法改进的研究》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、万方数据AThesisinControlTheoryandControlEngineeringResearchonModificationofParticleSwarmOptimizationAlgorithmBasedonControlByMengYiSupervisor：AssociateProfessorHeDakuoNortheasternUniversityJune2012万方数据独创性声明本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得的研究成果除加以标注和致谢的地方外，不包含其他人已经发表或撰写过的研

2、究成果，也不包括本人为获得其他学位而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示的谢意。学位论文作者签名：let期：阳2，．汐乡．≯y学位论文版权使用授权书本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部或部分内容编入有关数据库进行检索、交流。作者和导师同意网上交流的时间为作者获得学位后：半年口一年口一年半口两剃学位论文作者签名：签字日期：砂z．．

3、衫．少导师签名：伽1六【淘签字日期：沙卜．二，修万方数据东北大学硕士学位论文摘要基于控制思想的粒子群优化算法改进研究摘要粒子群优化算法(PSO)作为一种具有深刻智能背景的群智能优化算法，具有结构简单、调节参数少、易于实现、应用灵活等特点，是解决复杂优化问题的有效途径。因此，分析研究其算法特性与内部规律，进一步提高其寻优性能具有重要的理论和实际意义。本文以控制思想为基础，从确定性控制、随机控制、过程优化角度，展开粒子群优化算法改进研究，具体研究内容如下：本文首先介绍了粒子群优化算法的基本原理，并系统综述了算法的理论研究现状以及国

4、内外基于控制思想的粒子群算法研究成果。由于PSO算法的有限代收敛过程可以视为一个控制问题，本文提出基于无模型自适应控制的粒子群优化算法。即以基本粒子群优化算法为基础，以当前最优位置为设定值，利用无模型自适应控制实现寻优过程控制。仿真结论表明，无模型自适应控制器的引入使得算法的收敛速度得到明显改善，搜索精度得到一定程度的提高。在确定性系统分析的基础上，考虑算法固有的随机特性，将PSO算法重新定义为离散不确定时滞系统，提出基于时滞相关不确定系统鲁棒控制的PSO算法(DURC．PSO)算法。仿真测试结果表明，DURC．PSO算法在搜

5、索精度上有着较好的表现。同时，在前述工作的基础上，基于控制方法引入的合理性构建了两者的混合算法，仿真测试结论验证了混合算法的有效性。在分析算法寻优过程信息特性的基础上，将过程优化思想引入PSO算法，分析了种群飞行控制的优化设定问题，并据此定义了过程优化设定规则，从而，初步构建了基于过程优化的粒子群优化算法。仿真结果验证了该算法的可行性和有效性。关键词：粒子群优化算法；无模型自适应控制；鲁棒控制；过程优化万方数据东北大学硕士学位论文ResearchonModificationofParticleSwarmOptimization

6、AlgorithmBasedonControlAbstractAsonekindofswarmalgorithmwithprofundityintelligencebackground，particleswarmoptimizationalgorithm(PSO)hascharactersofcanbeappliedinaflexibleway,achievedeasilyandcooperativesearch，isaneffectivewaytosolvecomplexoptimizationproblems．Theref

7、ore，ithasboththeoryandapplicationsignificancetoanalysisevolutioncharactersandinnerrulesofparticleswarmoptimizationalgorithmandimproveitsoptimizingperformance．Thisarticlebasedoncontrolthoughts；discussedparticleswarmoptimizationalgorithmfromaspectsofdeterministiccontr

8、ol，stochasticcontrol，processoptimization．Thespecificresearchcontentwasasfollows：firstlyintroducesfundamentalsofparticleswarmoptimizational