粒子群优化法的改进与运用.pdfVIP

中文摘要 粒子群优化算法(PSO)是近年来被广为关注和研究的一种智能优化算法， 源于对鸟群觅食行为的模拟。粒子群优化算法的优势在于算法的简洁性，实现 简单容易，没有很多参数需要调整，因而得到了学术界的广泛重视，已成为一 种重要的优化工具，并成功应用于函数优化、动态优化、神经网络训练等领域。 由于粒子群优化算法提出|的时间不长，虽然它的形式看上去比较简单，但 是一些根本的问题，比如算法的机理问题，仍然没能得到很好的理解。在应用 方面，如何将其与其它优化算法相结合以便更适合解决实际的优化问题，本文 针对粒子群优化算法的早熟收敛，容易陷入局部最优且搜索精度不高等缺点。 在现有的粒子群优化算法的基础上对其进行了若干改进，并将改进的算法进行 了实际的应用。具体工作如下： (1)提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法、 维变异粒子群算法，并给出了变异时机和变异概率的详细分析。 (2)从信息交换方式的角度出发提出了改进的带收缩因子的变异粒子群算 法，新算法使粒子可以利用更多其他粒子的有用信息，即通过个体极值加权来 平衡算法搜索效率和精度之问的矛盾，同时改变了粒子的行为方式，并与其他 算法做了比较，体现了该算法的优越性。同时还提出了含维变异粒子群优化算 法。 ． (3)针对PSO算法局部搜索能力较弱和存在早熟收敛的问题，本文提出了 一种求解多维约束优化问题的改进的带交叉因子的粒子群优化算法。此外，在 搜索过程中还可以加入变异操作来增加种群多样性，以避免种群早熟收敛，其中 变异操作提高了算法的探测能力。 (4)针对PIp参数优化问题，将全局最优位置变异的粒子群算法应用予PID 参数整定，取得了非常理想的效果。 综上，论文对粒子群优化算法做了较为全面深入的分析和讨论，不仅提出 了多种有效的改进措施，而且拓宽了其应用领域。最后，论文最后对所做工作 进行了总结，并提出了进一步研究的方向。指出了还没有研究清楚的一些领域， 提出了进一步研究的方向。 关键词：粒子群算法，优化，交叉算子，变异算子 Abstract Particleswarm stemsfromthe ofbirdsflock’S algorithmOso)，which simulation for been attentionandresearched is tobe food,has looking paid wildly．PSO easy understood．PSO啪be becauseithasnt tobe implementedeasily manyparameters in itattractedattentionofresearchersdifferentfields has adjusted．SO quickly．It becomean has important and been tothe optimizationimplements wildlyapplied functions environments network 嘲ecl optimization,dynamicoptimization，neural SO On． training,and Sinceitisa