报告(基于Matlab地微粒群优化算法地仿....docxVIP

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 与其他演化 算法一样，能用于求解大多数优化问题。 在这些领域中 , 最具潜力的有系统设计、 多目标优化、分类、模式识别、信号处理、机器人技术应用、决策制定、模拟和 证明等。例子包括模糊控制器设计、 工作调度、 实时机器人路径设计和图像分割 等。 3、粒子群优化算法的研究现状 （1）通过在基本的ＰＳＯ中引入繁殖和子种群的概念，增强其收敛性和寻 求最优解的能力。 在每轮迭代中随机选择一定的粒子作为父代， 通过繁殖公式生 成具有新的空间坐标和速度的子代粒子， 并取代父代以保持种群规模。 其实这是 一种提高对解空间搜索能力和粒子多样性的数学交叉， 可在一定程度上增强系统 跳出局部极小的能力。 （2）将ＰＳＯ与模拟退火算法相结合的ＰＳＯＳＡ算法，解决了微粒群算 法性能分析过程中发现的初始参数依赖性问题和算法搜索能力问题。 通过模拟退 火算法赋予搜索过程一种时变且最终趋于零的概率突跳性， 有效地降低了陷入局 部极小的概率， 从而获取更佳的近似最优解。 而且， 模拟退火算法的串行优化结 构和微粒群算法的群体并行搜索相结合，拓展了微粒群在解空间中的搜索范围 , 提高了其优化性能，促进了种群群体多样性的发展。 4、粒子群优化算法的发展方向 （1）粒子群优化算法的改进。 粒子群优化算法在解决空间函数的优化问题 和单目标优化问题上应用得比较多， 如何应用于离散空间优化问题和多目标优化 问题将是粒子群优化算法的主要研究方向。 如何充分结合其他进化类算法， 发挥 优势，改进粒子群优化算法的不足也是值得研究的。 （2）粒子群优化算法的理论分析。粒子群优化算法提出的时间不长，数学 分析很不成熟和系统， 存在许多不完善和未涉及的问题， 对算法运行行为、 收敛 性、计算复杂性的分析比较少。 如何知道参数的选择和设计， 如何设计适应值函 数，如何提高算法在解空间搜索的效率算法收敛以及对算法模型本身的研究都需 要在理论上进行更深入的研究。这些都是粒子群优化算法的研究方向之一。 （3）粒子群算法的生物学基础。如何根据群体进行行为完善算法，将群体 智能引入算法中，借鉴生物群体进化规则和进化的智能性也是学者关注的问题。 （4）粒子群优化算法与其他进化类算法的比较研究。与其他进化算法的融 合，如何让将其他进化算法的优点和粒子群优化算法相结合， 构造出有特色有实 用价值的混合算法是当前算法改进的一个重要方向。 （5）粒子群优化算法的应用。算法的有效性必须在应用中才能体现，广泛 的开拓粒子群优化算法的应用领域，也对深入研究粒子群优化算法非常的有意 义。 5、粒子群优化算法与遗传算法比较 遗传算法GA(Genetic Algorithm ，GA)是模拟达尔文提出的“物竞天择”思 想的一种随机搜索算法， 它的主要思想是遵循遗传变异和优胜劣汰的规则， 对解 空间进行随机搜索以试图找到最优解。遗传算法最早由美国密歇根大学的 Holland J 在1975年提出，在函数优化、组合优化等领域有着广泛应用，有学者 也对该算法进行了深入研究口。 与遗传算法相比较， 粒子群优化算法的各粒子 “有意识” 的向群体所发现的 最好位置移动， 而遗传算法仅仅靠随机变异产生下一代个体， 所以粒子群优化算 法在性能上优于遗传算法。 由于粒子群优化算法的性能较高， 所以众多学者对该 算法进行了深入研究， 研究的重点在对标准粒子群优化算法的改进上， 如将模拟 退火算法或遗传算法和粒子群优化算法相结合， 以及提高粒子群优化算法的突破 局部极值的能力。 搜索算法未来的研究重点仍然会集中在对粒子群优化算