微粒群算法的改进及在动态环境中的应用.pdf

中 文摘要 微粒群算法是一个通过对鸟类的觅食活动进行模拟的优化算法。自从微粒群算 法问世以来，它的结构简单、运算速度快的特点，不仅使它成为广大学者研究的对 象，而且还被应用到众多的实际领域之中。论文从微粒群算法的结构改进和参数调 整方向入手，对微粒群算法进行了研究，并把得到的改进算法应用到动态环境中。 结构优化是微粒群算法众多研究领域中的一种。文章首先通过大量的仿真实验， 验证了标准微粒群算法对那些最优值远离坐标原点和搜索区域中心的测试函数没有 较好的仿真效果。紧接着通过构造了一个零搜索算子以及在算法仿真过程中的不同 阶段对测试函数的搜索区间进行分割、极值位置进行虚拟移动，从而最终得到了一 个改进的算法——空间分割微粒群算法。通过仿真实验证明，该算法对那些最优值 远离坐标原点和搜索区域中心的测试函数有较好的仿真效果。 参数调整也是一个微粒群算法的研究方向。社会系数与认知系数是微粒群算法 中的两个重要的参数，近年来提出的很多关于这两个参数的线性选择策略也能够提 高算法效率和种群的多样性。但是当遇到复杂最优化问题时，这些线性控制策略的 仿真结果就变差了。文章提出的加速度常数随时间变化的预设定微粒群算法，该算 法中的社会系数和认知系数依照一个预先设定好的速度值进行动态调整，其调整过 程呈现出一种曲折波动的非线性特征：当某个微粒的平均速度超过这个设定值，认 知系数和社会系数变成收敛态，当某个微粒的平均速度低于这个设定值，认知系数 和社会系数变成发散态。仿真结果表明，较其他三种算法而言，该算法很适合解决 高维多峰问题。 算法的应用研究是近年来微粒群算法研究的一个热点。由于受到多种不确定的 因素的干扰，现实世界中的问题很少有静态的。文章将之前提出的两个算法和标准 微粒群算法应用到了三种不同的动态环境中进行研究，并得出相应的结论。 关键字：微粒群算法；结构优化；参数调整；应用研究； ABSTRACT Particleswarm arandom algorithm， optimization(PSO)isoptimization ofbird toits simulatingforagingprocess flocking．Dueeasy fast hasbeen to areas． and many convergentspeed，it successfullyapplied This studiedthePSO fromthethree paper algorithm and research． optimization，parameteradjustingapplication Structure is oneofthePSOresearch optimization fields．Many areconductto the ofstandardPSO experiments verifypoorperformance thefunctionswhose valuesarenotinthe of (SPSO)on optimum origin the coordinatesorthecenterofsearcharea．Inordertoovercome