机械优化设计粒子群.docVIP

非线性规划的粒子群算法 1． 背景介绍 1.1 非线性规划简介 1．1 粒子群算法简介 1.2 研究内容 本课题主要研究非线性规划的粒子群算法分析与实现。将非线性规划的问题使用粒子群最优算法求解其最优解，在一般求解非线性规划的问题时都与选择的算法有很大的关系，在选择变尺度法和梯度法时都必须考虑非线性规划函数的可微性，在初始值选择上也给函数的局部收敛带来局部的最优，不能达到全局最优解，这样就给一些其它非线性规划问题带来很大的困难。粒子群算法（PSO）是一种新兴的优化技术，通过粒子追随自己找到最好解和整个群的最优解来完成优化。该算法简单易实现，可调参数少是解决非线性规划问题的比较理想的算法。题目以粒子群算法为工具，设计基于非线性规划问题的应用，并对求解过程总结，比较其它算法的优越性和其存在的问题。 2 非线性规划分析 2.1 非线性规划的概念 如果目标函数或约束条件中至少有一个是非线性函数时的最优化问题就叫做非线性规划问题。其可分为两大类问题有约束问题与无约束问题，它们在处理方法上有明显的不同。实际问题中大多数都是有约束条件的问题。球接待有约束条件的问题比起无约束问题要困难得多，也复杂得多。在每次迭代时，不仅要使目标函数值有所下降，而且要使迭代点都落在可行域内。 与线性规划一样，非线性规划也是运筹学的一个重要的分支，于20世纪50年代开始逐步形成，到20世纪70年代开始处于兴旺发展时期。随着计算机技术的日益发展，很多领域越来越重视这门学科，应用非线性规划方法进行设计、管理等，非线性规划理论自身也得到了进一步的发展。 关于求解非线性规划的迭代方法有二分法、简单迭代法、牛顿迭代法与拟牛顿迭代法、同论延拓法、单纯形法等。以上方法都有一定的局限性。 2.2 非线性规划的应用 2.3 非线性规划相关的概念 定义：如果目标函数或约束条件中至少有一个是非线性规划函数时的最优化问题就叫做非线性规划问题。 一般形式：min （2-1）是定义在上的实值函数，简记： 其它情况：求目标函数的最大值或约束条件为小于等于零的情况，都可通过取其相反数化为上述一般形式。 定义1 把满足问题(2-1)中条件的解称为可行解（或可行点），所有可行点的集合称为可行集（或可行域）．记为D．即问题(2-1)可简记为 定义2 对于问题(2-1)，设，若存在，使得对于一切且‖‖，都有则称是在D上的局部极小值点（局部最优解）。特别地当时，若，则称在D上的严格局部极小值点（严格局部最优解）。 定义3 对于问题(2-1),设，对于任意的，都有则称是在D上的全局极小值点（全局最优解）。特别地当时，若，则称是上的严格全局极小值点（严格全局最优解）。 3 基本粒子群算法 3.1 粒子群算法概述 3.1.1 粒子群算法发展 1995年美国电气工程师Eberhart和社会心理学家Kenndy基于鸟群觅食行为提出了粒子群优化算法（particle swarm optimization，PSO），简称粒子群算法。由于该算法概念简明、实现方便、收敛速度快、参数设置少，是一种高效的搜索算法。 PSO是模拟鸟群随机搜寻食物的捕食行为。假设在搜索食物区域里只有一块食物，所有的小鸟都不知道食物在什么地方，所以Kenndy等认为鸟之间存在着互相交换信息，通过估计自身的适应度值，它们知道当前的位置离食物还有多远，所以搜索目前离食物最近的鸟的周围区域是找到食物的最简单有效的办法，通过鸟之间的集体协作使群体达到最优。PSO就是从这种模型中得到启示并用于解决优化问题。在PSO中每个优化问题的潜在解都可以想象成搜索空间中的一只鸟，我们称之为“粒子”。粒子主要追随当前的最优粒子在解空间中搜索，PSO初始化为一群随机粒子（随机解），然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己，第一个就是粒子本身所找到的最优解，这个解叫做个体极值pbest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest。这两个最优变量使得鸟在某种程度上朝着这些方向靠近，此外也可以不用整个种群而只用其中一部分作为粒子的邻居，那么所有邻居的极值就是局部极值，粒子始终跟随这两个极值变更自己的位置和速度直到找到最优解。 到目前为止粒子群算法的发展得到越来越多的众多领域学者的关注和研究，称为解决许多问题的热点算法的研究重点。其中对PSO算法的改进也非常多，有增强算法自适应性的改进、增强收敛性的改进、增加多种群多样性的改进、增强局部搜索的改进、与全局优化算法相结合、与确定性的局部优化算法相融合等。以上所述的是对于算法改进的目的的讨论的，实际改进中应用的方法有基于参数的改进，即对PSO算法的迭代公式的形式上做改进；还有从粒子的行为模式进行改进，即粒子之间的信息交流方式，如拓扑