结合学习策略的粒子群优化算法及应用研究-电子与通信工程专业论文.docxVIP

摘 要 摘 要 I 摘 要 受自然现象和达尔文进化论思想的启发，遗传算法、蚁群算法、粒子群优化 算法、人工免疫系统、以及差分进化算法等智能优化算法相继产生，并在数值优 化、决策支持、过程控制、电路设计、图像处理、数据分类、机器人技术和复杂 自动化任务等领域获得了广泛的应用。粒子群优化算法是一个相对较新的智能优 化算法，模仿兽群、鱼群、鸟群等群体行为来进行搜索。粒子群优化算法概念简 单，容易实现，且收敛速度较快，已经得到了广泛的应用，但标准粒子群优化算 法在寻优过程中很容易陷入局部最优，出现早熟现象，因而出现了很多改进的粒 子群优化算法。粒子群优化算法目前在理论上和实践上尚未成熟，如何更好地防 止算法陷入局部最优并提高算法的优化精度，一直是一个需要研究的重要内容。 本文介绍并分析了粒子群优化算法及其改进算法，并提出了两个改进的粒子群算 法。本文主要工作如下： (1) 针对已有改进粒子群优化算法所存在的缺陷，提出了协同混沌粒子群优化 算法。该算法借鉴混沌理论，引入具有对初值不敏感、易跳出局部最优、搜索速 度快、计算精度高、全局渐进收敛等特点的混沌搜索算法，采用混沌的轨迹进行 粒子的搜索，在引入协同进化的思想，交互粒子间同一分量的内部信息，对混沌 产生的精英种群进行逐维优化。为保持种群多样性，其余粒子保持不变，因为种 群中的所有粒子都是由精英种群的指导而进化的，所以将此协同策略用在精英种 群的进化中会明显的提高算法的性能。在基准函数上的对比实验表明，该方法加 快了收敛速度。 (2) 提出了一种带有局部学习策略的混合离散粒子群优化算法应用于数据的 特征选择。粒子群优化算法目前被广泛应用于连续优化问题的求解，但现实很多 问题是离散化的，因此设计离散的粒子群优化算法引起了学者的广泛关注和研究。 本文提出了一种求解数据特征选择的离散粒子群算法，将进化算法里面的变异引 入到粒子群算法里面，结合单精英策略和前向贪婪局部学习策略，算法具有很强 的鲁棒性。算法在 8 个 UCI 数据集上表现出出色的性能，与 3 个经典特征选择算 法的对比试验证明了所提算法的高有效性。 (3) 阐述了复杂网络社区检测理论，提出了一种解决社区检测问题的带有邻居 学习策略的粒子群算法。在算法中引入了邻居占优局部搜索算子，算法的性能有 很大提高，在人工数据集和真实数据集上的实验证明了算法的可靠性。 关键词：粒子群优化, 混沌理论, 协同机制, 特征选择, 社区检测, 局部学习 摘 要 摘 要 I II结合学 II 结合学习策略的粒子群优化算法及应用研究 Abstract Inspired by nature phenomenons and Darwin evolutionary theory, genetic algorithm, ant colony algorithm, particle swarm algorithm, artificial immune system, differential evolutionary algorithm, etc., have emerged and found their nationwide applications in numerical optimization, decision making, process controlling, circuit designing, image processing, data classification, robot technique and automation industry. Particle swarm optimization is a relatively new intelligent optimization method which imitates fish schooling and bird flocking. Concise concept, easy implementation and fast convergence make particle swarm optimization receive tremendous amount of applications, however, standard particle swarm optimization is easy to get into local optima and prematurity appears, consequently, many improved approaches have come into been. Due to its immaturity of theory and practice, how to better avoid the algo