粒子群优化法的研讨与改进.pdfVIP

摘 要 优化是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题。 现代优化方法如人工神经网络、禁忌搜索、模拟退火、遗传算法和蚁群算法等在解 决问题时展现出强大潜能，它们可在合理的时间内逼近复杂对象问题的最优解。这 些算法涉及神经科学、人工智能、统计力学、生物进化等概念，很多都是以一定的 Swarm 自然现象作为基础构造的算法，其中粒子群优化算法(Particle Optimizaton， 种基于群智能优化算法的演化计算技术。由于它的较强的全局搜索能力，较少的参 数设置，简单容易实现，所以从一提出，就引起了许多学者的关注，并得到了迅速 的发展，并被应用到了各个领域，如函数优化、神经网络训练、组合优化和一些工 程应用。 本文首先分析了研究粒子群优化算法的重要意义，接着介绍了与PSO研究有关 的几个基础问题，包括优化的基本概念和分类方法等。随后，着重介绍了粒子群优 化算法的基本原理、数学描述、算法流程和收敛性分析，从PSO算法的参数选择与 设汁、拓扑结构、混合算法、改进方法及应用等方面做了较为系统的研究工作。 在工程的实际问题中，我们经常会遇到一些维数比较高的数据需要处理或维数 比较高的函数需要优化，数值测试表明现今的各种优化方法，在处理低维的函数优 化时，计算结果比较理想，而在处理高维的问题时，结果不尽人意。粒子群算法的 优化性能比较明显，特别对维数不高的优化问题，效果更为显著，但粒子群算法易 陷入局部极值也是实际存在的。为此本文提出了一种新的改进粒子群优化算法 (MAPSO)，该算法在运行过程中根据群体适应度方差与理想方差的比较来动态改变 确定’’lj，J．最佳粒子的惯性权值，并且根据群体的适应度方差及平均聚集距离判断算 法是否陷入局部寻优，通过对群体中的部分粒子进行变异运算，摆脱局部搜索陷阱增 强全局搜索的能力。该算法增强了粒子群优化算法跳出局部最优解的能力，能够有效 避免早熟收敛问题，又保持了前期搜索速度快的特性，同时又不引入其它算法概念， 算法的理解复杂度、实现复杂度得到有效控制。通过对5个标准函数的测试，表明 这种改进的PSO算法的全局搜索能力和搜索成功率有较大提高。并将该方法应用于 对S02催化氧化反应动力学模型的非线性参数估计，取得了良好效果。 关键词；粒子群优化，进化算法，收敛性分析，惯性权重，变异算子 ABSTRACT andeconomic needthe ofasetof Many problems scientific，engineering optimizationparameters withtheaimof or the functions．Modemmethodssuch objective minimizingmaximizing optimization asartificialneural andant shown network,tabu etc，have search,geneticalgorithmcolonyalgorithm of solutionsto real·world withinareasonable capabilitiesfindingoptimal many complexproblems amountoftime．Thesemethodshave closetieswithneural forged