分享到:

粒子群算法及其应用研究

粒子群优化算法(PSO)是近年来被广为关注和研究的一种智能优化算法,源于对鸟群捕食系统的模拟。该算法相对于遗传算法(GA)简单容易实现,没有交叉和变异操作,需调整的参数不多,收敛速度快。现已广泛应用于目标函数优化,动态环境优化,神经网络训练等诸多领域,并在IEEE进化计算年会(IEEE Annual Conference of Evolutionary Computation,CEC)上作为一个独立的研究分枝。目前PSO的研究主要集中在两个方面:算法本身的研究和算法的应用研究。本文的工作和成果可分为两个主题。第一个主题是提出了非对称互联型粒子群算法(AFIPSO),并将该算法与改进的响应策略相结合应用于动态环境的跟踪,这部分内容体现在正文的第3、4章。第二个主题是将PSO用于神经网络(ANN)训练。包括将协同粒子群算法(CPSO)及其改进算法CPSO#2用于网络权值优化,以及将PSO用于ANN学习规则的进化。这部分内容体现在正文  (本文共86页) 本文目录 | 阅读全文>>

杭州电子科技大学
杭州电子科技大学

改进粒子群算法及其应用研究

粒子群算法(PSO)是一种基于群体迭代的新型仿生优化算法。该算法通过粒子个体之间的相互协调来寻找最优位置。同遗传算法等其它仿生算法比较,粒子群算法概念简单、可调参数少。目前粒子群算法引起人们的广泛关注,已成为人工智能领域一个新的研究热点。不过粒子群算法的发展历史尚短,其理论及应用研究还有待进一步的扩展。本文对PSO算法的搜索机制、改进及应用等方面进行了较为深入的研究。主要研究内容如下:针对粒子群算法搜索精度不佳问题,提出了一种具有局部最优模式的动态调整惯性权重的改进粒子群算法(MPSO),并且将其应用于复杂函数优化问题。本文一方面通过跟踪3个“极值”(个体极值、全局极值和周围极值)来搜索解空间的最优值;另一方面通过引入3种非线性递减函数对惯性权重ω进行调整,试图能够更加合理的反映粒子群搜索的非线性过程。为了克服粒子群算法对高维函数优化性能不佳问题,提出了一种非线性扩散粒子群算法(NDPSO)。该算法通过非线性递增的方式对粒子进行...  (本文共68页) 本文目录 | 阅读全文>>

江南大学
江南大学

引入禁忌搜索的双种群粒子群算法及其应用研究

粒子群优化算法(Particle Swarm Optimization,PSO)源于鸟群和鱼群群体运动行为的研究,由Kennedy博士和Eberhart博士于1995年提出。粒子群优化算法是一种基于种群搜索策略的自适应随机算法,是进化计算领域中的一个新的分支。它的主要特点是简单、收敛速度较快、没有很多参数需要调整,且不需要梯度信息。作为群智能的典型代表,PSO算法己被证明是一种有效的全局优化方法。它可用于求解大部分的优化问题,并在实际工程中表现出巨大的潜力,现己广泛应用于函数优化、神经网络、模糊系统控制、模式识别等多个领域。本文对PSO算法的基本原理、PSO的两种经典模型:惯性权重模型和收缩因子模型、算法应用等方面做了较为系统的论述,重点讨论了PSO的收敛性和参数选择。针对粒子群算法收敛速度慢、容易陷入局部最小点等缺点,以及惯性权值对粒子群不同时期搜索性能的影响,结合初始解空间的选择对粒子群算法的影响,充分利用禁忌搜索算法短期和...  (本文共76页) 本文目录 | 阅读全文>>

西安工程大学
西安工程大学

反向粒子群算法理论及及其应用研究

作为一种新型的群体智能算法,粒子群算法由于其规则简单、计算迅速,具有较强的全局收索及寻优能力等优点,近年来引起了许多相关领域学者的关注和研究。目前,该算法已被成功应用在了模糊系统控制,函数优化及其他优化算法等领域。本文全面的介绍了粒子群算法的理论方法,分析了算法在迭代过程中所存在的缺陷及问题。在此基础上,利用反向学习机制较快的学习速度和优化能力,来增加粒子群算法的寻优能力及收敛速度。本文的主要工作概述如下:(1)系统的介绍粒子群算法的起源,模型及数学原理。同时也简单的介绍了一些近年来比较典型的改进的粒子群算法,并分析粒子群算法在迭代寻优过程中存在的缺陷及造成这些缺陷的原因。(2)介绍反向学习机制的背景、原理和反向粒子群算法的理论及其算法流程。(3)从随机过程层面分析建立反向粒子群算法的数学模型,并通过鞅方法,分析研究反向粒子群算法的收敛性。通过将反向粒子群算法的最大适应值函数转移过程表述为下鞅,并通过下鞅的收敛定理构造该算法满足...  (本文共51页) 本文目录 | 阅读全文>>

大连理工大学
大连理工大学

多目标优化的粒子群算法及其应用研究

粒子群算法(PSO)是近几年发展起来的解决多目标优化问题的群智能算法。该算法基于这样的假设:群体中的各个粒子能够从其过去的经历和其它粒子的经历得到有效的信息。实验发现,对于大多数优化问题,其有更快的收敛速度,需要设置的参数较少等特点,但它们在解集分布性、收敛性方面仍存在不足,涉及到的实际应用较少。本文对多目标粒子群算法进行了系统研究,在前人研究的基础上从三个方面改进了多目标粒子群算法,并将改进的多目标粒子群算法应用到营养配餐计算模型的求解过程之中,本文的工作主要有以下几个方面:1.总结了多目标优化的传统解决方法和基于进化算法计算的解决算法,并重点介绍了粒子群算法及其在多目标优化领域的研究现状。2.设计了一种新的多目标粒子群求解方法,主要从三个方面对算法进行了改进和优化:(1)在粒子全局最优值选取过程中,先后采用了拥挤机制和禁忌算法,从而使全局最优值的选取更为合理,避免了算法过早陷入局部最优,保持了解的分布性;(2)在处理约束条件...  (本文共65页) 本文目录 | 阅读全文>>

西南大学
西南大学

粒子群算法及其应用研究

粒子群优化算法(Particle Swarm Optimization,PSO算法)源于鸟群和鱼群群体运动行为的研究,是一种新的群体智能优化算法,是演化计算领域中的一个新的分支。它的主要特点是原理简单、参数少、收敛速度较快,所需领域知识少。该算法的出现引起了学者们极大的关注,已在函数优化、神经网络训练、组合优化、机器人路径规划等领域获得了广泛应用,并取得了较好的效果。尽管粒子群优化算法发展近十年,但无论是理论分析还是实践应用都尚未成熟,有大量的问题值得研究。本论文围绕PSO算法及其应用,就如何改进传统PSO算法性能以及该算法在高维复杂函数优化、多目标优化、机器人路径规划、约束布局优化等领域进行了深入的研究。本文的主要研究工作和创新点可归纳如下:(1) 提出了团队协作寻找惯性权重曲线的PSO算法。针对PSO算法的参数—惯性权重的不足,该算法使用Sugeno或Yager模糊补算子函数、指数函数、SigmoidMF函数之一作为惯性权重...  (本文共136页) 本文目录 | 阅读全文>>