基于粒子群算法的复杂系统评价

论文摘要

系统评价处于系统工程理论和方法体系的核心地位,是系统工程理论和实践研究的热点和难点。在实际应用中,由于其自身的复杂性,如存在着大量的高维非线性优化问题,需要采用新型智能评价方法来求解。目前粒子群算法在已在函数优化、神经网络训练、组合优化等领域获得了广泛应用,本文尝试将粒子群算法应用于复杂系统评价。本文设计了一种基于邻居结构的自适应粒子群算法（NAPSO）,以节点度不为0的WS型小世界网络作为粒子的邻居结构,自适应调整种群密度,提高种群多样性,并引入边界修正策略,分析了算法时间复杂度、空间复杂度和算法收敛性。采用NetLogo仿真软件对NAPSO求解函数的粒子运动轨迹进行仿真,所出现的“聚集”和“扩散”现象,表明NAPSO在算法后期较优的寻优能力。在主观赋权评价中,针对层次分析法中一致性检验问题,设计了修正矩阵的一致性的粒子群算法（NAPSO-CAHP）,以一致性指标函数为优化目标,再用模糊互补判断矩阵来替代正互反判断矩阵,把权值计算与模糊互补判断矩阵的一致性检验和修正结合起来,设计了基于NAPSO的模糊层次分析法。在客观赋权评价中,设计了基于NAPSO的投影寻踪方法（NAPSO-PP）,将NAPSO与投影寻踪模型结合,以投影指标函数为优化目标优化投影方向。将上述主观赋权评价和客观赋权评价方法所得到权重进行组合优化,从不同角度提取各指标的差异,得到指标的组合权重,设计了基于投影寻踪与层次分析法的客观组合的粒子群算法（NAPSO-PPAHP）和基于NAPSO的赋权投影寻踪聚类评价方法（NAPSOFAHP-PP）的复杂系统组合评价方法。将NAPSO与复杂系统评价方法相结合应用于评价实例中,表现出计算稳定、计算精度高,与现有方法比较,评价效果更好,分类效果明显,对复杂系统评价其他问题的解决有一定的借鉴意义;同时也表明NAPSO对解决高维、非线性问题的具有良好的效果。

论文目录

• 摘要
• Abstract
• 引言
• 1 复杂系统评价研究现状
• 1.1 系统
• 1.2 复杂系统
• 1.3 复杂系统评价
• 1.4 复杂系统评价的数学模型
• 1.5 复杂系统评价难点与热点
• 1.6 复杂系统智能评价方法
• 1.7 结构安排
• 2 基于邻居结构的自适应粒子群算法
• 2.1 粒子群算法及其研究现状
• 2.1.1 粒子群算法及其原理
• 2.1.2 PSO 元启发式框架
• 2.1.3 粒子群算法理论研究现状
• 2.1.4 PSO 应用研究现状
• 2.2 基于邻居结构的自适应粒子群算法
• 2.2.1 粒子邻居结构的构造
• 2.2.2 种群自适应策略
• 2.2.3 粒子越界修正策略
• 2.2.4 NAPSO 的算法步骤及复杂度分析
• 2.2.5 NAPSO 的收敛性定理
• 2.3 本章小结
• 3 基于邻居结构自适应粒子群算法仿真
• 3.1 PSO 群体生物模型
• 3.2 PSO 与多主体仿真
• 3.3 NAPSO 仿真环境介绍
• 3.4 NAPSO 仿真结果及分析
• 3.4.1 节点度不为0 的小世界网络仿真
• 3.4.2 模型运行结果与分析
• 3.5 本章小结
• 4 基于主观赋权的粒子群算法
• 4.1 AHP 中修正矩阵一致性的粒子群算法
• 4.1.1 修正矩阵层次分析法模型
• 4.1.2 应用实例与实验分析
• 4.2 基于粒子群算法的模糊层次分析法
• 4.2.1 模糊互补判断矩阵的一致性检验、修正和排序权值的解决方法
• 4.2.2 模糊层次分析法的数学模型
• 4.2.3 应用实例与实验分析
• 4.3 本章小结
• 5 基于客观赋权的智能评价方法
• 5.1 投影寻踪模型
• 5.2 应用实例与实验分析
• 5.3 本章小结
• 6 基于粒子群算法的组合评价方法
• 6.1 基于投影寻踪与层次分析法的客观组合的粒子群算法
• 6.1.1 基于投影寻踪与层次分析法的客观组合的模型
• 6.1.2 应用实例与实验分析
• 6.2 基于NAPSO 赋权投影寻踪聚类评价
• 6.2.1 基于NAPSO 赋权投影寻踪评价模型
• 6.2.2 应用实例与实验分析
• 6.3 本章小结
• 7 结论
• 7.1 总结
• 7.2 研究展望
• 参考文献
• 在学研究成果
• 致谢