粒子群优化算法.pptVIP

粒子群优化算法的研究与实现 院系：计算机科学与技术 学生姓名：李玉锋 指导老师：丁卫平 一 现状及发展趋势 ①粒子群优化算法（PSO)的产生 1995年Kennedy和Eberhart博士在IEEE国际神经网络学术会议发表了题为“Particle Swarm Optimization”的论文标志着粒子群优化算法(PSO)诞生,该算法是受人工生命研究结果的启发，通过模拟鸟群觅食过程中的迁徙和群聚行为而提出一种基于群体智能的全局随机搜索算法，它与其他进化算法一样，也是基于“种群”和“进化”的概念，通过个体间的协作与竞争，实现复杂空间最优解的搜索过程。 ②粒子群算法在改进方面的发展趋势 粒子群优化算法问世以来受到了广泛的重视，经过十几年的研究，不管在应用方面还是在优化性能方面都得到了很大的发展。其发展趋势主要表现在： ? 用于求解有约束的优化问题； ? 用于随机优化问题的求解； ? 用于最优控制问题的求解； ? 用于多目标优化。 从应用角度看，粒子群算法应用于求解越来越复杂的问题，同时对粒子群算法的改进也越来越精细，优化性能也大大加强，但优化的改进仍然永无止境。而粒子群优化算法的收敛性分析是该算法研究的一个趋势。  ③粒子群优化算法的特点 PSO算法具有很好的生物社会背景而易理解、参数少而易实现，对非线性、多峰问题均具有较强的全局搜索能力。 ④粒子群优化算法的应用 PSO的优势在于简单容易实现，同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用。 PSO算法从诞生起，就引起了国内外学者的广泛关注，掀起了该方法的研究热潮，并广泛应用于函数优化、神经网络训练、机器学习等领域。 二 课题内容与意义 粒子群算法作为群智能的典型代表，它具有原理简单、参数少、收敛速度较快等特点，已被证明是一种有效的全局优化方法。 现阶段对PSO算法的改进，大多采用多种算法混合的方式，在提高了算法性能的同时，往往也增加了算法的理解复杂度和运算复杂度。 因此，选择粒子群优化算法为研究对象，从其本身优化运行特性分析出发，找到一种能够提高算法综合性能的粒子群优化改进算法是很有意义的。  ① 研究方法 ? 阅读相关参考书籍以及上网搜索相关资料； ? 充分利用这些有效资源，深入地理解PSO算法的核心 概念、寻优过程以及典型的改进算法； ? 提出自己的见解，对经典的粒子群优化算法及改进 算法进行分析； ? 通过MATLAB软件进行编译分析及验证。 ② 技术路线  ③ 预计难点 研究粒子群核心理论中的群体规模、惯性权重、学习因子以及迭代次数等； 探讨粒子群优化算法在寻找最优解过程出现的粒子局部极值、早熟收敛或停滞等现象； 分析经典的粒子群优化算法及改进算法，并通过MATLAB进行实现。 ④工作进展 已对PSO算法基本理论做了较为详细的研究。 已对典型算法，及一些改进的算法如权重改进的粒子群算法等做了分析。 已对MATLAB软件进行学习并对基本粒子群算法等做了验证。 对于PSO算法的改进，目前还在研究阶段。 四 计划安排 ? 2011.2~2011.3 文件搜索，资料阅读 ? 2011.3~2011.4 理解基本PSO算法的核心理论，并对典 型算法以及一些改进的算法进行研究 ? 2011.4~2011.5 结合自己的感想对典型算法进行改进分 析并运用MATLAB软件进行验证研究 ? 2011.5~2011.6 总结之前的研究工作成果撰写毕业论文 并书写相关文档 ? 2011.6 修改论文，毕业答辩 五 参考文献 [1] Kennedy J, Eberhart R C. Particle swarm optimization. In: Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ, IEEE Service Center, 1995: 1942~1948. [2] Suganthan P N. Particle swarm optimizer with neighborhood