摘要:
粒子群优化算法(Particle Swarm Optimization,PSO)是一种新颖进化计算方法,最初受启发于鸟群和鱼群特定的社会行为,是基于种群搜索策略的自适应随机优化算法。粒子群优化算法具有实现简单、参数少、收敛速度快的优点,已被证明是一种较好全局优化算法...
展开
粒子群优化算法(Particle Swarm Optimization,PSO)是一种新颖进化计算方法,最初受启发于鸟群和鱼群特定的社会行为,是基于种群搜索策略的自适应随机优化算法。粒子群优化算法具有实现简单、参数少、收敛速度快的优点,已被证明是一种较好全局优化算法,引起了人们广泛的关注。但是,粒子群优化算法还存在早熟收敛和寻优多样性差等缺点。 为了克服粒子群优化算法的缺点,本文对粒子群优化算法及相关的背景知识进行了介绍,并对粒子群优化算法的理论、框架模型和信息交流机制进行了深入探讨。在此基础之上提出了两种粒子群优化算法的改进算法,进行了相关的实验,结果证明了改进方法的有效性。本文具体工作如下: 首先,对粒子群优化算法进行了研究与分析。详细介绍了粒子群优化算法的原理、实现和发展动因。对粒子群优化算法的信息交流模型进行了探讨,分析了一些典型的粒子群拓扑结构。此外,还介绍了一些典型的改进粒子群优化算法,并对这些算法改进的原理和方法进行详细分析,进一步理解了粒子群优化算法研究和发展的意义。 其次,提出了一种分级的粒子群优化算法。将分级思想引入粒子群优化算法,按照适应度对粒子进行分级,将粒子群分割为三个级别,分别为优秀、普通和较差粒子群,并对不同等级的粒子进行不同方式的寻优。通过这种分级的方法,在不同的分级中进行差别寻优,极大地保证了粒子群的多样性,提升了粒子群优化算法的寻优性能。 再次,在前一章分级粒子群优化算法的基础上,进一步改进提出了分级混合粒子群优化算法。该算法在上述分级的基础上采用动态分级方法,也将粒子群分为三级,各分级中粒子数量适应性改变。并将改进的单纯形方法和半随机搜索法融入到分级的粒子群中进行寻优操作,更大程度保证了改进粒子群优化算法的寻优多样性和收敛性,进一步提高了粒子群算法的寻优能力和寻优效率。 最后,对本文的研究和工作进行了总结,提出了进一步的研究展望。
收起