粒子群优化算法及其在非线性回归模型中的应用研究-控制科学与工程专业论文.docxVIP

mlI|l|《||IlI㈣Ⅷ|IIlIjIllI mlI|l|《||IlI㈣Ⅷ|IIlIjIllI lIIfI洲 Y1 9 1 5889 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名： 崮啦芳 日期．-．放2芝年』L月互日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文， 允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》， 并通过网络向社会公众提供信息服务。 日期：生年旦月!日 摘 摘 要 粒子群优化算法采用实数编码、设置参数少、收敛速度快、算法 高度并行，已成为计算智能领域的新研究热点，目前在函数优化、过 程控制等复杂领域中得到了广泛的应用。但是粒子群优化算法同其它 演化算法一样，存在易于陷入局部最优、收敛精度低等缺点。 本文针对标准粒子群优化算法易陷入局部最优、收敛精度低的缺 点，结合极值优化算法具有波动性的典型特征，提出了嵌入极值优化 的混合粒子群优化算法(EPSO算法)。运用Matlab7．0对15个无约束 标准测试问题进行数值实验仿真。结果表明，本文提出的混合算法能 有效实现全局寻优，尤其是对于求解高维多峰连续优化问题，它的优 势更突出。 接着遵循约束优化算法=约束处理技术+进化算法的思想框架，采 用增广Lagrange乘子法作为约束处理技术，将约束优化问题转化为 无约束优化问题，从而将本文提出的混合算法扩展应用于处理约束优 化问题。运用Matlab7．0对13个约束标准测试问题进行数值实验仿真。 结果表明，本文的新方法能以较小的种群规模和较少的迭代次数实现 全局寻优，取得了满意的优化结果。 最后利用非线性回归模型的参数估计实质上是求解残差平方和 为最小的无约束优化问题的特点，将EPSO算法用于求解非线性回归 模型的参数估计问题。通过对两个典型算例的仿真实验结果进行分 析，可知EPSO算法实现方便、操作简单，它为求解非线性回归问题 模型的参数估计问题提供了一种有效的途径。 关键词粒子群优化算法，极值优化算法，增广Lagrange乘子法，约 束优化问题，非线性回归模型，参数估计 ABSTRACTParticle ABSTRACT Particle Swarm Optimization(PSO)is characterized by real number coding，fewer parameters，fast convergence and highly parallell．This algorithm has become a new hotspot in computation intelligence field and has been widely used in comples domains，such as function optimizaiton problems，process contr01．However,PSO algoritnm has the problems which exist in other evolutionary algorithms，for instance，relapsing into local optimization easily and low accuracy computationin． To overcome the limitation of falling into local optimum easily and low accuracy computationin in PSO algorithm，this paper makes full use of the fluctuations ensue of extreme optimization and proposes a novel hybrid algorithm(EPSO algorithm)，through introducing extremal optimization into PSO algorithm．For unconstrained problems，numerical simulation experiments on the fifteen be