微粒群优化算法（PSO）的改进研究

论文摘要

微粒群优化算法（Particle Swarm Optimization, PSO算法）源于鸟群和鱼群群体运动行为的研究,是一种新的群体智能优化算法,是演化计算领域中的一个新的分支。它的主要特点是原理简单、参数少、收敛速度较快,所需领域知识少。该算法的出现引起了学者们极大的关注,已在函数优化、神经网络训练、组合优化、机器人路径规划等领域获得了广泛应用,并取得了较好的效果。尽管粒子群优化算法发展近十年,但无论是理论分析还是实践应用都尚未成熟,有大量的问题值得研究。针对小生境微粒群算法在处理复杂多峰函数优化问题中存在的一些缺陷,本文提出一种改进的小生境SNPSO（Stretching-NichePSO）算法。SNPSO算法将顺序小生境的思想引入其中,首先在主群体中应用Stretching技术,其次对子群体采用解散机制,即当在子群体中找到一个极值点后把该子群体解散回归主群体,最后设置子群体创建时的半径阈值,避免子群体半径过大。该算法解决了标准的NichePSO算法在处理多峰函数时,极值点的个数依赖于子群体个数及极值点容易出现重复、遗漏等问题。对3个常用的基本测试函数的实验表明,新算法（SNPSO）在多峰函数寻优中解的稳定性、收敛性和覆盖率均优于标准NichePSO。随后,本文分析了海豚的群智能规则,并且定义“核心”作为团队最好位置的预测,从而提出了一种海豚伙伴算法,这是一种启发式算法,通过伙伴选择,角色定位和信息交流确定每个海豚在自己所处团队中的位置,然后团队的领导者要执行对“核心”的探索,而普通的团队成员要仅仅跟随以加快团队搜索的收敛速度。多个测试函数展现了DPO的搜索性能,算法在前期能够以很快的收敛速度找到较好的适应度值,并且具有比GA算法更好的跳出局部极值点的能力。另外,DPO算法具有小生境思想,因此也具有良好的寻找多个极值点的能力,测试函数同时良好的展现了算法搜索多个极值点的有效性和准确性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的背景内容及意义
• 1.2 本文的主要研究内容
• 第二章 微粒群优化算法研究
• 2.1 进化计算
• 2.1.1 优化问题概述
• 2.1.2 优化问题的数学模型
• 2.1.3 进化计算的研究
• 2.2 微粒群算法
• 2.2.1 群智能概念的引入
• 2.2.2 经典微粒群算法
• 2.3 拓扑和邻域结构
• 2.3.1 拓扑因素
• 2.3.2 邻域结构和迭代式之间的对应关系
• 2.3.3 几种典型的拓扑结构
• 2.4 本章小结
• 第三章 小生境PSO 及其改进
• 3.1 小生境思想
• 3.2 小生境PSO
• 3.2.1 GCPSO 算法介绍
• 3.2.2 小生境PSO 算法
• 3.2.3 Nich PSO 存在的问题
• 3.3 改进的小生境PSO
• 3.3.1 “Stretching”技术
• 3.3.2 子群体解散机制
• 3.3.3 基本算法
• 3.4 算法仿真试验及结果分析
• 3.4.1 测试函数
• 3.4.2 测试结果
• 3.5 本章小结
• 第四章 海豚伙伴算法
• 4.1 算法原理
• 4.1.1 群体（团体）
• 4.1.2 沟通
• 4.1.3 海豚群智能
• 4.1.4 最优位置预测
• 4.2 海豚伙伴算法（DPO）
• 4.2.1 海豚觅食基本原则的算法描述
• 4.2.2 伙伴选择
• 4.2.3 海豚伙伴算法（DPO）描述
• 4.3 DPO 的算法特征
• 4.4 本章小结
• 第五章 DPO 算法测试和分析
• 5.1 测试函数
• 5.2 测试结果和分析
• 5.2.1 测试函数的平均最好值
• 5.2.2 10 维测试函数的收敛性
• 5.2.3 30 维测试函数的收敛性
• 5.2.4 结果分析
• 5.3 多个极值点能力
• 5.4 伙伴个数
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 进一步展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文