粒子群—模擬退火融合算法及其在函數(shù)優(yōu)化中的應(yīng)用.pdf

1、優(yōu)化是一種以數(shù)學(xué)為基礎(chǔ)，用于求解各種實際問題的應(yīng)用技術(shù)，其目的是對一個給定的問題，從眾多方案中選擇出最優(yōu)方案，使目標(biāo)函數(shù)適應(yīng)度達到最優(yōu)值。隨著人們認(rèn)識與改造世界能力的擴大，在實際工程領(lǐng)域中，涌現(xiàn)出多目標(biāo)、非線性、不可微，甚至混雜的系統(tǒng)。經(jīng)典優(yōu)化方法不能有效求解，必須采用計算智能技術(shù)來解決此類問題。 20世紀(jì)80年代以來，智能優(yōu)化算法(人工神經(jīng)網(wǎng)絡(luò)、模擬退火算法、遺傳算法、粒子群算法和蟻群算法)，通過模擬某些自然現(xiàn)象和過程發(fā)展起來

2、，為優(yōu)化理論提供了新的思路和手段，并在科學(xué)、經(jīng)濟以及工程領(lǐng)域得到了廣泛應(yīng)用。 作為粒子群優(yōu)化算法的改進——線性慣性權(quán)重粒子群優(yōu)化算法，改善了粒子群優(yōu)化算法易陷入局部最優(yōu)的狀況。但由于僅使慣性權(quán)重線性減小，使算法一旦進入局部最優(yōu)點鄰域內(nèi)就很難跳出來，以致收斂到局部最優(yōu)點，而且迭代次數(shù)往往較大。因此，本文提出了一種非線性的慣性權(quán)重調(diào)整策略，得到非線性慣性權(quán)重粒子群優(yōu)化算法(ULWPSO)，該方法雖在單峰、多峰中取得了較好的效果，但是

3、在多峰函數(shù)中存在收斂精度較低，收斂成功率較低等缺點。 在進化算法的搜索過程中，算法的探測和開發(fā)能力單靠一種算法往往無法得到有效的利用。因此，在粒子群優(yōu)化算法的搜索過程中融合其他優(yōu)化方法的思想，是提高粒子群優(yōu)化算法搜索效率和求解質(zhì)量的一個有效途徑。 因此，本文將模擬退火算法的Metropolis準(zhǔn)則引入到非線性調(diào)整慣性權(quán)重粒子群優(yōu)化算法(ULWPSO)中，得到粒子群一模擬退火融合算法(ULWPSO-SA融合算法)，使得粒子