粒子群算法惯性算子凹凸性分析（行业资料）.docVIP

粒子群算法惯性算子凹凸性分析（行业资料） 文档信息 ： 文档作为关于“行业资料”中“毕业资料”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文7837字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：粒子群算法惯性算子凹凸性分析 1 1标准粒子群算法原理 3 2惯性因子 3 3几种惯性因子算子对应的PSO 4 4数值仿真及分析 4 5结论 7 文2：粒子群算法优化研究 7 （一）目标函数 11 （二）约束条件。约束条件可表示为： 11 参考文摘引言： 12 原创性声明（模板） 13 文章致谢（模板） 14 正文 粒子群算法惯性算子凹凸性分析（行业资料） 文1：粒子群算法惯性算子凹凸性分析 Key words: Particle Swarm Optimization；inertia weight；convexity；convergence 0引言 粒子群算法也称为粒子群优化算法（Particle Swarm Optimization），缩写为年，由Eberhart博士和Kennedy博士提出。粒子群算法是一种基于仿生学的群体智能优化算法，该算法通过群体中个体之间协作和信息共享达到共同寻求最优解的目的，与其他智能算法相比，粒子群算法原理简单，实现容易。从算法问世至今，得到了各个领域学者的广泛关注。Van对PSO算法的稳定性和收敛性做了初步分析，指出基本PSO算法无法保证收敛到全局最优。针对粒子群算法难以跳出局部极值，收敛效率低等特点，学者们对其做了各种改进。 惯性因子是粒子群算法中的一个重要参数，它表示粒子对其原始速度的继承状况。目前对粒子群算法的改进工作很大一部分集中在对惯性因子的改进上，主流的改进方式是惯性因子随着迭代次数逐步递减，也有学者根据粒子实时的进化速度动态调整惯性权值[5]。文献[6]定义了粒子群优化的参数空间，把探索性能最优的粒子群算法转化为一个参数优化问题，这些参数中包含惯性因子。文献[7]提出了模糊规则惯性权值（Fuzzy inertia Weight，FIW）粒子群算法，但这些调整策略都使的算法计算复杂，虽对算法有一定改进，却总体上使得算法“性价比”降低。 Shi 和 Eberhart提出，较大的惯性权值有助于粒子跳出局部极小点，便于全局搜索；而较小的惯性权值有助于粒子对于当前的搜索区域进行精细搜索，便于算法收敛.因此在算法进行过程中，有必要通过一些方法和手段来调整惯性权值，使算法在全局搜索和精细搜索（以便于收敛）之间达到平衡[8]。基于这种考量，文献[8]给出了一种惯性因子线性递减的调整方案，较之惯性因子一直取固定值，这种调整方案被证明是更有效率的。文献[8]中的算法简单，但在处理一些复杂问题时，存在局限性。文献[9]提出了几种基于非线性递减策略惯性因子的粒子群优化算法，与文献[8]中的算法相比，基于正弦曲线和对数曲线的调整策略会优于后者，而基于正切曲线的调整策略甚至比后者的表现还要略差。文献[10]构造了开口向下的抛物线和开口向上的抛物线和指数曲线三种非线性的惯性权值调整策略，得出的结论是凹函数（下凸）递减策略优于线性递减策略，而凸函数（上凸）递减策略效果最差。 1标准粒子群算法原理 鸟搜索食物的空间设为D维，鸟可抽象为D维空间的一个点。设鸟群一共有N只鸟，则其对应D维空间的N个粒子。第i只鸟（第i个粒子）经过t次飞行后的位置可表示为 2惯性因子 之前的关于惯性因子的研究基本都是不断提出不同的递减算子，通过实验验证它们各自的效率差异，而并没有通过惯性因子的凹凸性来分析其对PSO算法性能的影响，另外只是构造区间上的线性递减或者凹函数或者凸函数，模型构造过于简化。惯性因子体现的对粒子之前速度的继承，而惯性因子的取值直接影响到粒子速度的变化，而速度的变化又影响到搜索的广度（全局搜索的程度）和深度（精细搜索的程度）。全局搜索有利于跳出局部极值，而精细搜索有利于尽可能的靠近真正的最优解。而一个好的算法应该尽可能的照顾到这两者。对于粒子群算法来说，如果单纯考虑惯性因子，那么惯性因子越大，就越有利于全局搜索，而惯性因子越小，就越有利于精细搜索。体现在惯性因子的变化上，也就是惯性因子应该是一个减函数。而为了最大的同时保证全局搜索和精细搜索，惯性因子在最开始应该尽可能多的取较大的值，而在算法结束时，要尽可能的保持取较小的值得时间。由此可以分析出，惯性因子如果是先上凸后下凸函数时，算法能够最大的同时保证全局搜索和精细搜索，即算法的性能会更好。为了验证这个结论，本文提出了一个先上凸后下凸的函数和一个先下凸后上凸的函数，通过数值仿真与文献