第14章基于PSO的机构优化预览.ppt

第十四章 MATLAB优化算法案例分析与应用 第14章 基于PSO的机构优化 第十四章 MATLAB优化算法案例分析与应用 14.1 微粒群优化算法研究现状 自1955年由美国社会心理学家James Kennedy和电气工程师Russell Eberhart共同提出微粒群算法以来，由于它的计算快速性、通用性、算法本身的易实现性，立刻引起国内外进化计算领域学者们的广泛关注，在诸多领域得到了应用而且应用范围越来越广泛，已形成学术界一个新的研究热点。 微粒群优化（PSO）算法是一种新的进化算法，源于群体智能和人类认知的学习过程而发展起来的一种智能优化算法。PSO算法的搜索性能取决于其全局探索和局部改良能力的平衡，这很大程度上依赖于算法的控制参数，包括种群规模、最大速度、最大代数、惯性权因子、加速常速等。 14.1.1 微粒群优化算法的改进研究 鉴于微粒群优化算法存在的一些缺点，为了克服它的不足，目前相关的改进方向主要在位置和速度更新公式、多种群、种群拓扑结构和混合方法等方面。其中，位置和速度更新公式方面的改进成果较多，Shi等在PSO算法中引进了惯性权因子，大大提高了算法的性能；Clerc等提出了在PSO算法速度更新公式中引入收缩因子来控制PSO算法的收敛，并给出了算法的理论分析，Eberhart等进一步给出了保证算法收敛