面向单模和多模函数优化的多子群粒子群算法研究.pdfVIP

目录 图目录 图1一l 图1．2标准PSO算法的流程图…………………………………………………………一5 6 图1．3技术路线图………………………………………………………………………．．1 图2一lDMS—PSO的进化过程……………………………………………………………21 图2．2IPPSO模型图………………………………………………………………………23 图3．1ALEMSPSO算法进化模型图……………………………………………………．3l 图3．2各函数2维函数图像……………………………………………………………一36 图3．3ALEMSPSO在不同粒子数之下的平均适应度值随通信周期的变化曲线图…38 图3．4 ALEMSPSO在不同粒子数之下的平均适应度值随子群个数的变化曲线图…38 图3．5各算法在不同函数上的平均适应度值变化曲线图……………………………．．41 图3-6各算法每隔20代有改进的粒子数………………………………………………42 图3．7各算法每代离最优位置小于某精度的粒子数…………………………………一43 图4．1DPMSPSO算法种群结构图………………………………………………………45 图4．2DPMSPSO算法进化模型图………………………………………………………46 图4．3基础群按峰划分的伪代码………………………………………………………．．47 图4．4入库检测伪代码…………………………………………………………………一49 图4．5出库检测伪代码…………………………………………………………………．．49 图4-6二维函数适应度值的等高线……………………………………………………一49 图4—7 F5和F8的函数图像………………………………………………………………55 图4—8 万方数据 目录 表目录 表3一l测试函数描述……………………………………………………………………一35 表3．2ALEMsPSO参数设置……………………………………………………………．37 表3．3固定代数下各算法的统计结果…………………………………………………．．39 表3—4固定时间下各算法的统计结果…………………………………………………．．39 表4．1测试函数描述……………………………………………………………………．．5l 表4．2测试函数极值点坐标及函数值…………………………………………………一52 表4．3DPMSPSO参数设置………………………………………………………………53 表4-4不同算法的对比实验统计结果…………………………………………………一54 表4—5 表4—6 万方数据 摘要 面向单模和多模函数优化的多子群粒子群算法研究 摘要 Swarm 粒子群优化算法(Particle 人类社会的行为规律提出的算法。PSO的缺点是易陷入局部极值点导致早熟现象，进 化后期收敛慢导致精度较差。多子群PSO是一种通过增加粒子多样性来提高算法的全 Multi．swarm 局搜索能力以减少早熟现象的重要方法。动态多子群PSO(Dynamic PSO，DMS．PSO)是其中一类通过种群周期地重组操作增加粒子多样性的算法，但经实 验发现，该类方法的重组操作大大增加了寻优时间，且算法忽视了粒子在进化过程中 的自主性，造成粒子的进化带有一定的盲目性和强迫性，降低了寻优效率。 当前大部分PSO改进算法都是针对单模问题，但科学研究和工程实践中也存在多 模优化问题(Multi．modal 生境识别方法的准确率较低，同峰极值点判别的准确率不高，且由于频繁的距