基于matlab微粒群优化算法研究.pdf

2012 届本科生毕业设计（论文） 开题报告 基于 MATLAB 微粒群优化算法研究 专 业 电子信息工程 专业方向 信息工程 班 级 学 号 学生姓名 指导教师 教 研 室 电子信息工程 电气与电子工程学院 20XX 年 X 月 X 日 一、开题依据 如今，随着计算机科学与技术的迅速发展，人类生存空间的扩大以及与改造 世界的范围的拓宽，人们对科学技术提出了新的更高的要求，其中高效的优化技 术和智能计算要求日益迫切。 优化是科学研究、工程技术和经济管理等领域的重要研究工具。它所研究的 问题是讨论在众多的方案中寻找最优方案。例如，工程设计中怎样选择设计参数， 使设计方案既满足设计要求又能降低成本；资源分配中，怎样分配有限资源，使 分配方案既能满足各方面的基本要求，又能获得好的经济效益。在人类活动的各 个领域中，诸如此类，不胜枚举。优化这一技术，正是为这些问题的解决，提供 理论基础和求解方法，它是一门应用广泛、实用性很强的科学。 为了解决各种各样的优化问题，人们提出了许多优化算法。粒子群优化算法 （Particle Swarm Optimization ，PSO ）由Eberhart 博士和 Kennedy 博士提出新 的算法，它是属于进化算法的一种，是一种源于对鸟群捕食行为的研究而发明的 进化计算技术。这种优化算法以其实现容易、精度高、收敛快等优点引起了学术 界的重视，并且在解决实际问题中展示了其优越性。 二、文献综述 1、粒子群优化算法概述 粒子群优化算法 (Particle Swarm Optimization，PSO)是由Kennedy和 Eber—hart等于1995年提出的一种演化计算技术，其基本思想源于他们早期参照 生物学家的群体模型，对鸟类群体行为的规律性研究。PS0中，每个优化问题的 潜在解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优 化的函数决定的适应值，每个粒子还有一个速度决定它们飞翔的方向和距离。然 后粒子们就追随当前的最优粒子在解空间中搜索。 粒子群优化算法概念简明，参数设置少，很好地采用简单速度一位移模型， 并能根据当前的搜索情况动态调整搜索策略，对解决复杂环境中的优化问题非常 有效。由于认识到PSO在函数优化等领域所蕴含的广阔的应用前景，在Kennedy和 Eberhart之后很多学者都进行了这方面的研究。目前，已提出了多种PSO改进算 法，并且PSO已广泛应用于函数优化，神经网络训练，模式分类、模糊系统控制 以及其他的应用领域。 2、粒子群优化算法的应用 （1）PSO 最直接的应用或许就是多元函数的优化问题,包括带约束的优化问 题。如果所讨论的函数受到严重的噪音干扰而呈现非常不规则的形状，同时所求 的不一定是精确的最优值，则PSO 算法能得到很好的应用。 （2 ）另外， 还有一种应用更广泛的方法：简单而有效地演化的人工神经网 络， 不仅用于演化网络的权重，而且包括网络的结构。作为一个演化神经网络 的例子，PSO 算法已应用于分析人的颤抖。对人颤抖的诊断，包括帕金森(Pa rk in son) 病和原发性颤抖，是一个非常具有挑战性的领域。PSO 已成功地应 用于演化一个用来快速和准确地辨别普通个体和有颤抖个体的神经网络，而网络 的输入则为从一个活动变化记录系统中获得的归一化的移动振幅。 （3 ）另一个应用例子是使用PSO 对一个电气设备的功率反馈和电压进行 控制。这里，采用一种二进制与实数混合的 PSO 算法来决定对连续和离散的控 制变量的控制策略，以得到稳定的电压。 （4 ）此外，PSO 还在动态问题中得到应用。一般而言， PSO