纵向参数多子群粒子群算法的研究与应用

论文摘要

多模态函数优化是一个复杂优化问题,使用传统优化方法会遇到许多困难,群体智能算法为解决这类复杂优化提供了一种新的思路。PSO作为一种群体智能算法,具有鲜明的群体智能特征,多子群粒子群算法在多模态优化中表现了它的简单性和有效性。目前在已有的多子群粒子群算法求解多模态优化问题的研究成果中,子群的划分多是基于适应值和邻域,须提前确定子群的数目;对子群间和粒子间交流研究却很少,缺乏一种有效度量子种群多样性的方法。针对上述两个问题,本文通过对粒子子群间交流学习特性的研究,提出了纵向参数多子群粒子群算法（VPMSPSO）,论文主要包括以下研究内容:首先,受生物个体向其近邻学习和个体间相互趋同形成小群体的特性启发,提出纵向参数多子群粒子群算法（VPMSPSO）。并对VPMSPSO算法收敛性进行了研究和证明。结果表明:VPMSPSO算法总体收敛速度较标准粒子群算法慢,但能收敛于多峰值函数的各个峰值。其次,在子群最优值为随机序列的前提下,建立了算法的非线性离散系统模型,分析了系统稳定性,得出了系统稳定的参数选取条件;研究子群合并对粒子行为的影响,得出逼近度阈值的选取范围。第三,分析了子群进化过程中丢峰和孤粒子子群产生的原因,提出度量子群多样性的子群相对差异度和子群相对熵概念,改进了VPMSPSO算法。结果表明:改进后的算法可更好地描述子群动态演化状态,有效提高了子群多样性,避免丢峰和孤粒子子群现象的产生。第四,利用VPMSPSO算法的动态聚类特性,提出了一种基于VPMSPSO的自适应聚类算法（SACA-VPMSPSO）,并将其应用于RBF网络的构建。并基于VPMSPSO算法,采用自然数编码进行了分类器设计。最后,将VPMSPSO算法用于神经网络集成训练,其多峰并行搜索特性使训练不仅确定网络权值还可以确定集成网络个数。针对煤矿涌水量数据和瓦斯涌出浓度数据特点,建立了基于VPMSPSO算法训练的神经网络集成和RBF网络两种煤矿涌水量预测模型,建立了基于VPMSPSO分类器的煤矿瓦斯涌出浓度分类规则提取模型,从而将VPMSPSO算法应用于煤矿企业决策支持预警系统中。

论文目录

• 致谢
• 摘要
• Abstract
• Extended Abstract
• 目录
• 1 前言
• 1.1 课题背景及意义
• 1.2 本文的研究目标
• 1.3 本文的研究内容及组织结构
• 1.4 本文的创新点
• 1.5 本章小结
• 2 粒子群算法的理论与方法
• 2.1 引言
• 2.2 群体智能
• 2.3 粒子群优化
• 2.4 粒子的轨迹
• 2.5 粒子群算法的收敛性
• 2.6 粒子群算法的参数选择
• 2.7 粒子群算法的记忆性
• 2.8 粒子群算法的多样性
• 2.9 粒子群算法的其它改进
• 2.10 多子群粒子群算法
• 2.11 本章小结
• 3 纵向参数多子群粒子群算法
• 3.1 引言
• 3.2 粒子的特性
• 3.3 纵向参数多子群粒子算法（VPMSPSO）的基本思想
• 3.4 纵向参数的基本概念
• 3.5 子群的进化规则
• 3.6 纵向参数多子群粒子群算法（VPMSPSO）算法流程
• 3.7 纵向参数多子群粒子群算法的收敛性
• 3.8 子群收敛性
• 3.9 本章小结
• 4 子群与粒子的行为分析
• 4.1 引言
• 4.2 粒子运动的稳定性
• 4.3 粒子轨迹
• 4.4 粒子行为仿真
• 4.5 子群的行为分析
• 4.6 本章小结
• 5 子群多样性及算法性能分析
• 5.1 引言
• 5.2 粒子子群的欠收敛与过收敛
• 5.3 遗传算法的多样性
• 5.4 粒子的多样性
• 5.5 子群的多样性
• 5.6 基于子群多样性的VPMSPSO 算法
• 5.7 VPMSPSO.diversity 收敛性证明
• 5.8 实例分析
• 5.9 VPMSPSO 算法性能分析
• 5.10 本章小结
• 6 基于VPMSPSO 自适应聚类算法
• 6.1 引言
• 6.2 聚类分析
• 6.3 C-均值算法
• 6.4 纵向参数多子群粒子群算法与C-均值算法的异同
• 6.5 基于VPMSPSO 自适应聚类算法
• 6.6 实例分析
• 6.7 本章小结
• 7 基于VPMSPSO 算法分类规则提取
• 7.1 引言
• 7.2 数据分类与规则
• 7.3 基于VPMSPSO 算法的分类规则提取
• 7.4 实例分析
• 7.5 本章小结
• 8 纵向参数多子群粒子群算法的应用
• 8.1 VPMSPSO 在神经网络训练中的应用
• 8.2 VPMSPSO 算法在煤矿涌水量和瓦斯涌出浓度预测中的应用
• 8.3 本章小结
• 9 结论与展望
• 9.1 本文所做的主要工作和结论
• 9.2 研究展望
• 参考文献
• 作者简历
• 学位论文数据集