粒子群算法优化研究（行业资料）.docVIP

粒子群算法优化研究（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5970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：粒子群算法优化研究 1 （一）目标函数 6 （二）约束条件。约束条件可表示为： 6 文2：粒子群算法在黑盒测试中的应用 7 1 应用方法 7 2 效果 10 参考文摘引言： 10 原创性声明（模板） 11 文章致谢（模板） 11 正文 粒子群算法优化研究（行业资料） 文1：粒子群算法优化研究 收录日期：2017年11月28日 一、引言 粒子群算法（Particle Swarm Optimization，PSO）为常见优化算法，是一种模拟鸟类觅食过程来寻求最优解的算法，很多问题的优化都可以使用，如核动力、车辆调度、巡回旅行等。因控制参数少、使用简单、易实现，粒子群算法受到很多专家学者的关注。但是传统粒子群算法在求解非线性规划问题时，比较容易陷入局部最优而找不到全局最优解，本文在传统的粒子群算法上进行了改进，以提高求解效果。 二、粒子群算法介绍 粒子群算法（PSO）是一种基于群体的随机优化方法。传统的粒子群算法思路如下： 设S在维目标搜索空间中，有m个微粒组成一个群体，那么其中粒子i可以表示为一个S维的向量xi=（xi1，xi2，…，xis），i=1，2，…，m。同理，群体中的每个粒子都可以以同样的方式表示，每个粒子的位置就是一个可行解。将其预先设定的目标函数来计算每一个粒子的适应值，并根据适应值大小来衡量粒子所在位置的优劣程度。在搜索空间中第i个粒子的飞翔速度也是一个S维向量，记为V=（v1，v2，…，vs）。除了粒子的飞行位置和飞行速度以外，还需要记录两个重要的信息：第i个粒子迄今为止搜索到的最优位置为PbestiS=（Pbesti1，Pbesti2，…，Pbesti3）；整个粒子群迄今为止搜索到的最优位置为GbestS=（Gbest1，Gbest2，…，Gbest3）。设f（x）为目标函数，则微粒当前最好位置由下式确定： p（t+1）=pi（t） 若f（xi（t+1））≥f（pi（t））xi（t+1） 若f（xi（t+1））≤f（pi（t） 在基础上进行微粒飞行迭代为两步操作：位置移动和速度变化，基本迭代公式分别为： v（t+1）=v（t）+c1?（Gbest[]-present[]）+c2?（Pbest-p（t）） （1） x（t+1）=x（t）+v（t+1） （2） 其中，学习因子c1、c2为非负常数，c1调节粒子飞向自身最好位置方向的步长，c2调节粒子飞向全局最好位置方向的步长。r1、r2为相互独立的伪随机数，服从[0，1]上的均匀分布。 经典的PSO算法步骤如下： Step1：初始化一个规模为m的粒子群，并设定各个微粒的初始位置和速度。 Step2：设置适应度函数并计算每个微粒的适应值。 Step3：把每个微粒的适应值与其经历过的最好位置时的适应值作比较，若当前微粒所在位置的适应值较好，则将其作为微粒当前的最好位置。 Step4：把每个微粒的适应值与整个粒子群经历过的最好位置时的适应值作比较，若当前微粒所在位置的适应值较好，则将其作为当前的粒子群全局的最好位置。 Step5：根据方程（1）、（2）分别对粒子的速度和位置进行更新。 Step6：如果满足终止条件，则输出最优解；否则返回Step2。 三、改进的粒子群算法设计 基本粒子群算法在求解非线性规划问题时，比较容易陷入局部最优而找不到全局最优解，因此，本文在算法设计过程中，对传统的粒子群算法进行了改进，以提高求解效果。改进的算法分别采用强引导型粒子群算法和自适应粒子群算法对原有位置、速度迭代公式进行优化，对式（1）、（2）进行改进，使改进的位置迭代公式为： x（t+1）=x（t）+（rand（）+k）?v（t）+10-6?rand（ 其中，rand（）为0～1之间的随机数，k为调节系数，随着迭代次数的增加，?{节系数逐渐降低，可取k=kmax-?iter，其中iter表示迭代次数。速度更新采用自适应速度更新公式，在传统的速度更新公式中随迭代次数改变？棕，例如迭代100次，可取： ？棕=0.5 1≤gen≤400.1 40≤gen≤600.001 60≤gen≤100 速度更新公式可表示为： v（）=？棕?v（）+c1?rand（）?（Gbest[]-present[]）+c2?rand（）（Pbest-present[ 其中，学习因子c1和c2为常数，避免粒子陷入局部最优并实现信息共享，以保证粒子的空间搜索