具有动态群体规模的微粒群算法研究

论文摘要

微粒群算法最早是在1995年由James Kennedy和Russell Eberhart共同提出的,其基本思想是受对鸟群行为进行建模和仿真的研究结果启发。微粒群优化算法是一种基于种群搜索策略的自适应随机算法,是进化计算领域中的一个新的分支。它与其他进化算法一样,对优化的目标函数没有连续、可微等要求,且算法的结果不依赖于初值的选取,具有很强的普遍适用性,此外,它的原理简单清晰、易于编程实现、收敛速度较快、没有很多参数需要调整。作为一种新的进化算法,PSO算法己被证明是一种有效的全局优化方法,已广泛应用于函数优化、神经网络、模糊系统控制等诸多领域。本文在对具有动态群体规模的智能算法进行综述、分析的基础上,针对标准微粒群算法求解高维多峰函数优化问题时,容易出现的早熟收敛和收敛速度慢等问题,提出了一种基于遗传算法思想的具有动态群体规模的混合微粒群算法(a Hybrid PSO with Varying Population Size——VPPSO),给出了算法的基本思想和算法流程,对种群规模动态调整过程中涉及到的各种算子和微粒保留概率的计算方法进行了探讨。并通过对四个典型测试函数的仿真实验,分析了参数对算法性能的影响程度,验证了算法的有效性。然后通过对VPPSO算法存在的缺陷分析,提出了引入培育期的VPPSO算法,以控制种群规模的频繁变化。同时对VPPSO算法的杂交方法进行了改进,以提高种群多样性,从而使算法的收敛速度和全局收敛性能得到提高。最后通过仿真实验,验证了算法的有效性。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 微粒群算法的应用
• 1.4 本文安排
• 第二章 微粒群算法
• 2.1 基本微粒群算法
• 2.1.1 算法的基本原理
• 2.1.2 算法的数学描述
• 2.1.3 算法的流程
• 2.1.4 算法的特点
• 2.1.5 算法的社会行为分析
• 2.1.6 算法的两种基本进化模型
• 2.2 几种典型的改进的微粒群算法
• 2.2.1 带惯性因子的微粒群算法
• 2.2.2 带收缩因子的微粒群算法
• 2.2.3 基于动态领域的改进的微粒群算法
• 2.2.4 一种保证种群多样性的微粒群算法
• 第三章 基于遗传算法的微粒群体规模动态调整方法
• 3.1 具有动态群体规模的智能算法研究概况
• 3.2 具有动态群体规模微粒群算法（VPPSO）的基本思想
• 3.3 具有动态群体规模的微粒群算法
• 3.4 微粒群体规模的动态调整方法
• 3.4.1 杂交方法
• 3.4.2 保留概率的计算方法
• 3.4.3 变异方法
• 3.4.4 选择方法
• 3.5 仿真实验及结果分析
• 3.5.1 四个高维多峰标准测试函数
• 3.5.2 与标准微粒群算法的对比仿真实验与结果分析
• 3.5.3 参数对算法影响的仿真实验与结果分析
• 第四章 动态群体规模变化频度的控制
• 4.1 VPPSO 算法的缺陷分析
• 4.2 动态群体规模变化频度的控制
• 4.2.1 引入群体培育期的VPPSO 算法
• 4.2.2 仿真实验与结果分析
• 4.3 提高群体多样性的杂交方法
• 4.3.1 改进的 VPPSO 的杂交方法
• 4.3.2 仿真试验与结果分析
• 第五章 总结与展望
• 参考文献
• 攻读硕士期间发表论文目录
• 致谢
• 个人简况及联系方式