粒子群優(yōu)化算法的研究與改進.pdf

1、自上世紀80年代以來，智能優(yōu)化算法(如人工神經網絡、遺傳算法等)通過模擬或揭示某些自然現(xiàn)象和過程而發(fā)展起來，為優(yōu)化理論提供了新的思路和手段，并在科學、經濟以及工程領域得到了廣泛應用。粒子群優(yōu)化算法(ParticleSwarmOptimization,PSO算法)源于鳥群和魚群群體運動行為的研究，是一種基于種群搜索策略的自適應隨機算法，是進化計算領域中的一個新的分支。它的主要特點是簡單、收斂速度較快、沒有很多參數(shù)需要調整，且不需要梯度信息

2、，在工程實踐中表現(xiàn)出巨大潛力，現(xiàn)已廣泛應用于函數(shù)優(yōu)化、神經網絡、模糊系統(tǒng)控制、模式識別等多個領域。
　　本文從PSO算法的基本原理、參數(shù)選取、拓撲結構、混合算法及應用等方面做了較為系統(tǒng)的論述，重點討論了PSO的兩種標準算法：慣性權重線性下降算法(LDW)和收縮因子模型(CFM)。前者是為了提高算法的收斂性能，平衡收斂的全局性和收斂速度；后者是為了保證算法的收斂性，同時使得速度的限制放松。總之，兩種標準PSO算法都是著眼于如何更有效

3、地使粒子群在解空間中搜索最優(yōu)解，但在高維復雜問題尋優(yōu)時仍然存在早熟收斂、收斂精度比較差的缺點。
　　針對上述缺點，本文借鑒生物界中雁群的飛行特征，對兩種標準算法均給出如下改進：一方面將全局極值變換為排序后其前面那個較優(yōu)粒子的個體極值，這樣所有粒子不都向一個最優(yōu)解的方向飛去，避免了同一化，保持了多樣性，擴大了搜索范圍；另一方面使每個粒子利用更多其他粒子的有用信息，通過個體極值加權平均，加強粒子之間的合作與競爭。用基準函數(shù)對改進算法進