粒子群算法在多維優(yōu)化問題中的改進研究.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)作為一種新興的仿生類群智能算法，起源于對鳥類群體覓食行為的模擬。該算法通過群體中個體之間的信息交互來實現(xiàn)尋優(yōu)的目的。與其他群智能優(yōu)化算法相比，PSO憑借其實現(xiàn)簡單，可調(diào)節(jié)參數(shù)少，收斂速度快等特點，受到眾多學(xué)者的關(guān)注與研究，并且被廣泛應(yīng)用于生物醫(yī)學(xué)、圖像處理、工程優(yōu)化等領(lǐng)域。盡管當前對粒子群優(yōu)化算法的研究已經(jīng)取得了一定成果，但隨著模型覆蓋層次的不斷提高，優(yōu)化模

2、型呈現(xiàn)出越來越顯著的高維特性，致使單純的粒子群優(yōu)化算法拓展到高維優(yōu)化問題中無法取得滿意的效果。
　　本文的研究得到了國家自然科學(xué)基金、浙江省自然科學(xué)基金及浙江理工大學(xué)研究生創(chuàng)新項目的資助。主要研究工作和成果如下：
　?。?）針對標準粒子群優(yōu)化算法在處理多維、多峰值問題時暴露出的易早熟收斂的難題，設(shè)計并提出多維度慣性權(quán)重衰減混沌化粒子群算法(Multi-Dimensional Descending Chaotic Inerti

3、a Weight based PSO，MDDCIW_PSO)。在粒子群進化過程中，賦予每代群體中每個粒子的每一維度以不同的線性衰減混沌化慣性權(quán)重。即以縱向看，隨著迭代次數(shù)的增加，慣性權(quán)重呈現(xiàn)線性衰減變化；從橫向看，當代的每個粒子的每一維度都在當前衰減半徑內(nèi)呈現(xiàn)獨立的混沌變化。MDDCIW_PSO算法從縱橫兩個方向，最大可能地增強了粒子在搜索后期的群活性和局部搜索能力，從而盡可能地使種群避免陷入局部最優(yōu)。仿真測試結(jié)果表明MDDCIW_PS

4、O算法能夠較大幅度地提高粒子群算法的搜索精度和收斂速度。
　?。?）通過對粒子群優(yōu)化算法機理和本質(zhì)并行性的分析，采用目前被廣泛使用的島嶼模型，設(shè)計并提出一種基于島嶼模型的多子種群并行優(yōu)化算法(Multipopulation Parallel PSO based on the island model，MPPSO)。首先構(gòu)造子種群規(guī)模采樣函數(shù)對子種群的個數(shù)設(shè)定提供一定參考；其次引入K-means++聚類方法，盡可能地將所有子種群充盈