PSO算法的改進研究及在函數(shù)優(yōu)化中的應用.pdf

1、粒子群優(yōu)化(ParticleSwarmOptimization,PSO)算法是一種智能優(yōu)化算法，屬于進化計算領域里的新分支。PSO算法結構簡單、只有較少的參數(shù)需要調整、收斂的速度比較快、不需要梯度信息，既適合科學計算，又特別適合工程應用，因而從它問世以來就受到了廣泛關注。但是現(xiàn)階段，對PSO算法的研究還不完善，核心部分的參數(shù)選擇依然存在爭議；很多對PSO算法的改進，雖然提高了算法性能，但同時也增加了算法的運算復雜度；基本PSO算法在求解

2、一些高維復雜的函數(shù)優(yōu)化問題時存在不足，如收斂速度較慢、收斂精度不高、較易陷入局部最優(yōu)等。因此，針對PSO算法進行改進，研究既可以提高算法收斂性能，又不增加算法復雜度的改進方法是非常有意義的。
　　 論文側重于對PSO算法在函數(shù)優(yōu)化中的應用進行研究，在理論分析和科學實驗的基礎上，進一步改進和完善PSO算法，分別提出了三種基于不同策略的改進PSO算法。論文的研究工作及主要創(chuàng)新點概述如下：
　　 一、提出了一種混合變異算子的自

3、適應PSO算法。該算法在基本PSO算法的基礎上做了如下改進：a)在速度更新公式中引入非線性遞減的慣性權重；b)改進位置更新公式；c)對全局極值進行自適應變異。實驗結果表明，該算法具有較快的收斂速度及較好的收斂精度。
　　 二、提出了一種簡化的自適應PSO算法。該算法基于以下改進策略：a)采用了去除速度項的簡化PSO算法結構；b)選擇混合指數(shù)下降形式的慣性權重；c)對全局極值引入隨機自變異算子。實驗結果表明，該算法可以有效避免“早