毕业设计：粒子群算法在函数优化问题中的应用（终稿）.doc

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本文的研究方案 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 结 论 25 参考文献 26 致 谢 29 附 录1 30 附 录2 32 附 录3 33 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们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( Genetic AlgorithmGA )、蚁群优化算法( Ant Colony Optimization ACO)、粒子群优化算法( Particle Swarm Optimization PSO)和人工免疫系统等等它们被广泛应用于各种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(Particle Swarm Optimization)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。对无约束和有约束最优化问题分别设计了基于PSO算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。以问题为例提出了一种粒子群优化算法根据优化问题及量的特点对粒子的位置速度等量及其运算规则进行了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算法进行仿真比较粒子群优化算法具有很好的性能）[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(organized without an organizer，coordinated without a 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息，可以大大的加快找到食物的速度，也即是通过合作可以加快发现目标的速度，通常群体搜寻所获得利益要大于群体成员之间争夺资源而产生的损失。这些简单的经验事实如果加以提炼，可以用如下规则来说明：当整个群体在搜寻某个目标时，对于其中的某个个体，它往往是参照群体中目前处于最优位置的个体和自身曾经达到的最优位置来调整下一步的搜寻。Kennedy和Eberhart把这个模拟群体相互作用的模型经过修改并设计成了一种解决优化问题的通用方法，称之为粒子群优化算法。 PSO算法的基本原理源于对鸟群捕食行为的仿真。与ACO算法类似，PSO算法是一种基于群智能方法的优化技术同时还与GA类似是一种基于进化的优化工具在PSO算法中系统初始化为一群随机粒子(代表问题的一组随机解)通过迭代来搜寻最优值但是并没有GA所使用的交叉以及变异算子而是通过粒子在解空间中追随最优的粒子进行搜索与GA比较PSO算法的优势在于简单易于实现同时又有深刻的智能背景既适合科学研究又特别适合工程应用因此PSO算法一提出立刻引起了演化计算等领域的学者们的广泛关注并在短短的几年时间里出现大量的研究成果形成了一个研究热点[3]。 ②约束优化。目前，粒子群优化算法已被有效应用于约束优化问题求解。例如，可对约束优化问题引入半可行域的概念，提出竞争选择的新规则，并改进基于竞争选择和惩罚函数的进化算法适应度函数，可求解约束