改进pso求解动态优化研究.pdf

中山大学硕士论文 改进PSO求解动态优化研究 第五章，实验与分析：详细列出基准测试问题和算法运行参数等实验配置信 息，通过图表展示实验结果统计数据，通过实验数据规律的发现说明改进PSO 对动态优化问题求解的适用性、稳定性和可靠性； 第六章，总结与展望：总结本文工作成果和不足，展望进化算法求解动态优 化问题的研究以及应用的发展方向。 中山大学硕士论文 改进PSO求解动态优化研究 第二章PSO算法综述 PSO是一种基于群体智能(Swarm 真模型简化而来，保留了个体对自身经验的学习和邻域优秀个体学习的特性。目 前，PSO和遗传算法、蚁群算法等成为著名的进化算法，在工程领域和理论研究 都受到了很高的关注，并在实践中被证明其有效性和稳定性。 对PSO的研究方法可以分为经验式方法和理论式方法。经验式的研究方法 是从实际应用出发，通过实验的统计结果归纳出规律性结论。理论式的研究方法 是从原理出发，通过严密的数学论证提出理论性结论。两种研究方法各具优劣， 经验式方法的结论具备实用性，但往往缺乏推广和重用的能力；理论式方法的结 论较为可靠，但往往是基于简化的模型进行分析，对实际应用的指导意义有限。 混合两种研究方法，是研究工作所必须的。 本章介绍PSO的生物学背景、经典的PSO改进算法、PSO的理论分析成果 以及PSO的主要应用领域。 2．1 PSO及其生物学背景 PSO是受鸟群和鱼群觅食行为的启发而提出的随机优化算法，其核心是对个 体的自身学习行为和邻域学习行为的仿真模拟。生物的群体中的个体观察行为是 杂乱而无规律的，但整个群体却遵守着一定的秩序。群体行为的一致性说明群体 的个体之间存在信息共享和相互协作。生物群体利用个体之间的信息共享更高效 地寻找食物和资源，使群体的利益最大化。个体的简单行为使群体对不同的环境 具备自适应的群体智能。群体智能来源于对自然界中生物群体的模拟与抽象，是 以个体行为的局部描述模拟群体的全局特性。群体智能具有以下特点： 中山大学硕士论文 改进PSO求解动态优化研究 ·分布式：群体中的个体具有自主的决策能力不受某个个体的统一指挥； ·简单性：个体行为的描述是简单的只包含对极少其他个体的协作关系； · 自组织：整个群体在个体的协作行为下对不同的环境都具有适应能力。 对于优化问题，可以把食物或生存资源等看作优化问题的目标，生物群体的 觅食行为就是对优化问题的求解和寻优过程。具体地，PSO群体中的每个粒子在 解空间中具有位置，以时刻变化的速度不断地在解空间跳跃，通过与其他粒子信 息交互的行为不断地改善自身位置和速度。通过若干次迭代和优化，粒子群体能 够像鸟群找到食物一样汇聚到适值较高的解空间区域。 2．1．1 PSO的粒子运动模型 年提出【11，tz]。PSO是受生物群体行为仿真模型的启发，保留了其中的自身学习 行为和邻域学习行为。对于优化问题的求解，PSO使用粒子运动模型对求解过程 进行建模，粒子位置对应优化问题的一个解，粒子速度对应解的更新方式。PSO 的粒子速度和位置更新公式如下： (2-1) xu(t+1)卜xu(t)+17f_，(t+1) (2-2) 其中，卜表示赋值符号，目的是与=进行区分，后者表示值的相等；s是粒子 个数；／7是维度数；t是时间，在算法中表示迭代计数；c1和c2分别是自身 示均匀分布；％(亡)表示粒子_，在时间t维度／上的速度；xu(t)表示粒子，在 时间t维度／上的位置；yq(t)和yij(t)表示粒子，在时间t维度／上的个体 最优以及邻域最优，即： 中山大学硕士论文 改进PSO求解动态优化研究 Yi(t+1)÷_argmin{f(y￡(t))，f(xf(亡)))