Yao 测试函数集下典型粒子群算法性能比较研究.pdf

《自动化综合创新设计及实践》 课程设计报告 题 目：Yao 测试函数集下典型粒子群算法性能比较研究 系 别： 自动化系 专业班级： 自动化1203 学生姓名： 万晓晖 指导教师： 陈旭 （课程设计时间：2015 年12 月29 日——2016 年1 月14 日） 江苏大学电气信息工程学院 目录 1. 课程设计目的1 2. 引言1 3. 典型PSO 算法1 3.1. 基本PSO 算法1 3.2. 增加收缩因子的PSO 算法2 3.3. 权重线性递减的PSO 算法2 3.4. 线性时变加速系数的PSO 算法2 4. 测试函数3 5. 算法在函数中的仿真实验5 5.1. 性能指标的设定6 5.2. D=5 时的仿真结果及性能评价 6 5.2.1 函数的收敛曲线作为性能的评价指标6 5.2.2 函数的平均收敛精度作为性能的评价指标7 5.3. D=10 时的仿真结果及性能评价 9 5.3.1 函数的收敛性作为性能的评价指标9 5.3.2 函数的平均收敛精度作为性能的评价指标10 5.4. D=30 时的仿真结果 12 5.4.1 函数的收敛曲线作为性能的评价指标12 5.4.2 函数的平均收敛精度作为性能的评价指标13 6. 总结15 7. 参考文献17 1 1. 课程设计目的 理解粒子群优化算法的思想、方法。 熟练掌握Matlab编程粒子群优化算法。 熟掌握运用粒子群优化算法并掌握粒子群的各参数含义。 熟练掌握粒子群改进算法对算法整体性能的影响效果。 培养书写综合实验报告的能力。 2. 引言 粒子群优化(Particle swarm optimization ，PSO)算法于1995年由Kennedy和 Eberhart[1]共同开发。PSO算法源于对鸟群觅食行为的研究。研究者发现鸟群在 飞行过程中经常会突然改变方向、散开、聚集,其行为不可预测，但其整体总保 持一致性,个体与个体间也保持着最适宜的距离。首先介绍基本PSO算法原理及几 种改进的PSO算法，包括增加收缩因子的PSO算法（cfPSO ），权重线性递减的PSO 算法（ldwPSO ），以及线性时变加速系数的PSO算法（tvacPSO ），通过对不同优 化变量维度D(D=5、10、30)下各个典型PSO算法对若干测试函数的优化性能进行 仿真,并从中抽取典型的单峰和双峰函数各两个做进一步数据分析，并对以上四 种典型PSO算法及其不同搜索空间维度D对优化性能的影响进行讨论和研究。 3. 典型PSO算法 3.1. 基本PSO算法(Basic PSO, 简记为bPSO) 原始粒子群算法(PSO)[1]利用N个粒子,即个体,构成粒子群在D维问题空间中通过 重复迭代的方式寻找最优解。粒子在空间移动时,具有速度和位置两个特征。每次迭 代,粒子i第j 位的位置 和速度 根据如下公式进行更新： x ij vij v (t +1) v (t ) =+c r (t )( p −x (t )) +c r (t )( p −x (t )) （1） ij ij 1 1j ij ij 2 2j gj ij xij (t +1) xij (t ) =+v (t +1) （2 ） c c 其中, 和 是加速系数，一般设置为相同值表示社会知识和个体认知对粒子 1 2