粒子群优化算法-毕业论文.pdfVIP

目录

第1章概述1

1.1课题研究的目的及意义1

1.2国内外对粒子群算法（PSO）研究现状与发展趋势1

1.3本课题所要研究的主要内容5

1.4本文的研究方5

1.5本章小结6

第2章粒子群优化算法7

2.1引言7

2.2粒子群优化算法的统一框架7

2.3粒子群优化算法的设计步骤8

2.4粒子群优化算法描述9

2.5粒子群算法的改进12

2.6本章小结16

第3章粒子群算法在函数优化问题中的应用17

3.1前言17

3.2常用测试函数17

3.3常用测试函数的介绍17

3.4基本粒子群算法在函数优化问题中的实验结果与分析18

3.5参数改进的粒子群算法在函数优化问题中的实验结果与分析20

3.6本章小结24

东北石油大学本科生毕业设计（论文）

结论25

参考文献26

致谢29

附录130

附录232

附录333

第1章概述

1.1课题研究的目的及意义

近年来，受自然隐喻的启发，人提出了各种各样的计算智能方法，如人工神

经网络、遗传算法(GeneticAlgorithm，GA)、蚁群优化算法(AntColony

Optimization，ACO)、粒子群优化算法(ParticleSwarmOptimization

，PSO)和人工免疫系统等等，它被广泛应用于各种NP-

困难的优化问题的求解，虽然不能保证获取最优解，但在问题规模较大时也能在可

行时间内找到问题的满意解。

粒子群优化(ParticleSwarm

Optimization，PSO)算法是一种新兴的优化技术，其思想来源于人工生命和进化计

算理论。PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化。

为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度

，提出了对PSO算法进行改进。对无约束和有约束最优化问题分别设计了基于PSO算

1

东北石油大学本科生毕业设计（论文）

法的不同的求解方法和测试函数，并对PSO算法求解多目标优化问题进行了研究。

仿真实验表明了改进的PSO算法求解最优化问题时的有效性。

以函数的优化问题为例，提出了一种改进的粒子群优化算法，根据优化问题及

连续量的特点，对粒子的位置速度等量及其运算规则进行了研究，为抑制早熟停

滞现象,算法中使用高效的学习算子来提高算法的局部求精能力，使算法在空间探

索和局部求精间取得了很好的平衡，与领域中的基本算法进行仿真比较，改进粒

子群优化算法要求具有很好的性能，可以达到较优化的结果。

1.2国内外对粒子群算法（PSO）研究现状与发展趋势

粒子群优化（ParticleSwarm

Optimization，PSO）算法最初是由Kennedy和Eberhart[1,2]于1995年受人工生命研

究结果启发，在模拟鸟群觅食过程中的迁徙和群集行为时提出的一种基于群体智

能的进化计算技术。鸟群中的每只鸟在初始状态下是处于随机位置向各个随机方

向飞行的，但是随着时间的推移，这些初始处于随机状态的鸟通过自组织(self-

organization)逐步聚集成一个个小的群落，并且以相同速度朝着相同方向飞行，

然后几个小的群落又聚集成大的群落，大的群落可能又分散为一个个小的群落。这

些行为和现实中的鸟类飞行的特性是一致的。可以看出鸟群的同步飞行这个整体

的行为只是建立在每只鸟对周围的局部感知上面，而且并不存在一个集中的控制

者。也就是说整个群体组织起来但却没有一个组织者，群体之间相互协调却没有一

个协调者(organizedwithoutanorganizer，coordinatedwithouta

coordinator)。Kennedy和Eberhart从诸如鸟类这样的群居性动物的觅食行为中得

到启示，发现鸟类在觅食等搜寻活动中，通过群体成员之间分享关于食物位置的信

2

东北石油大学本科生毕业设计（论文）

息，可以大大的加快找到食物的速度，也即是通过合