粒子群论文--有关非线性规划问题的粒子群算法

《粒子群论文--有关非线性规划问题的粒子群算法》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、注：居中，黑体，小一号。阅后删除此文本框。有关非线性规划问题的粒子群算法学院（系）：数理学院专业：运筹学与控制论学号：2014100057学生姓名：刘丽娜11摘要优化这一技术，正是为这些问题的解决，提供理论基础和求解方法，它是一门应用广泛、实用性很强的科学。近十余年来，粒子群优化算法作为群体智能算法的一个重要分支得到了广泛深入的研究，在路径规划等许多领域都有应用。本文主要结合现阶段的非线性规划问题的研究概况对粒子群优化算法进行初步介绍。优化技术是一种以数学为基础，用于求解各种组合优化问题的应用技术。

2、最优化问题是人们在工程技术、科学研究、和经济管理等诸多领域中经常碰到的问题，它是指在满足一定的约束条件下，寻找一组参数值，使目标函数达到最大或最小。最优化问题根据其目标函数、约束条件的性质以及优化变量的取值范围可以分为许多类型，例如：根据目标函数和约束条件是否均为线性表达式，把最优化问题划分为线性规划问题和非线性规划问题。针对不同的最优化问题，提出了许多不同的优化方法，如牛顿法、共轭梯度法、Polar-Ribiere法、拉格朗日乘子法等。这些优化算法能很好地找到问题的局部最优点，是成熟的局部优化算法

3、。但是随着人类生存空间的扩大以及认识与改造世界范围的拓展，人们发现由于问题的复杂性、约束性、非线性、建模困难等特点，解析性优化算法已不能满足人们的要求，需要寻找一种适合于大规模并行且具有智能特征的优化算法。现代进化类方法如人工神经网络、遗传算法、禁忌搜索法、模拟退火法和蚁群算法等在解决大规模的问题时体现出强大的潜力，它们可以在合理的时间限制内逼近优化问题的较好可行解。其中，遗传算法和蚁群算法被称为智能优化算法，其基本思想是通过模拟自然界生物的行为来构造随机优化算法。近年来，另一种智能优化算法—粒子群

4、算法（particleswarmoptimization，简称PSO）越来越受到学者的关注。粒子群算法是美国社会心理学家JamesKennedy和电气工程师RussellEberhart在1995年共同提出的，它是受到鸟群社会行为的启发并利用了生物学家FrankHeppner的生物群体模型而提出的。它用无质量无体积的粒子作为个体，并为每个粒子规定简单的社会行为规则，通过种群间个体协作来实现对问题最优解的搜索。由于算法收敛速度快，设置参数少，容易实现，能有效地解决复杂优化问题，在函数优化、神经网络训练

5、、图解处理、模式识别以及一些工程领域都得到了广泛的应用。本文主要结合现阶段的非线性规划问题的研究概况对粒子群优化算法进行初步介绍。关键词：非线性规划；粒子群算法；智能算法ABSTRACTOptimizationofthistechnologyistosolvetheseproblems,toprovideatheoreticalbasisandsolutionmethod,itisawiderangeofapplications,practicalscience.Inthelasttenyears,

6、theparticleswarmoptimizationalgorithmisaveryimportantbranchoftheswarmintelligencealgorithm,whichhasbeenappliedinmanyfieldssuchaspathplanning.Inthispaper,wemainlyintroducethegeneralsituationoftheresearchonthenonlinearprogrammingproblemsatthepresentstage

7、.Theoptimizationtechnologyisakindofapplicationtechnologybasedonmathematics,whichisusedtosolvevariouscombinatorialoptimizationproblems.Optimizationproblemsarewidelyencounteredtheinmanyfieldsofengineering11technology,scientificresearchandeconomicmanageme

8、nt,itistosatisfycertainconstraints,lookingforasetofparametersvalues,theobjectivefunctiontoachievethemaximumorminimum.Optimizationproblemaccordingtotherangeofobjectivefunctionandconstraintconditionsandthenatureoftheoptimizationvariablesc