改进粒子群优化算法的研究

论文摘要

粒子群优化（Particle Swarm Optimization, PSO）算法是一种基于搜索策略的自适应随机优化算法。由于该算法简单有效,自从提出后就得到了广泛的关注。但现阶段对PSO算法的研究还不够完善,算法核心部分的参数选择仍然有很大的争议。目前许多对算法的改进,在提高了算法性能的同时,也增加了算法的运算复杂度,这不适合于对算法收敛速度要求较高的应用,因此选择粒子群优化算法为研究对象,找到一种能够提高算法收敛速度又不增加算法复杂度的改进方法是很有意义的。多目标优化是优化问题的主要研究领域之一,因为多目标优化问题在实际应用中非常普遍。因此,解决多目标优化问题也是一个非常有实际意义和科研价值的课题。而用传统方法解决此类问题有很多的限制,但是随着进化算法的发展,解决多目标优化问题的多目标进化算法（MOEA）已取得了较好的研究成果,其中最具代表性的多目标进化算法包括:NSGA2和SPEA2和MOPSO等。目前国内外已有部分相关研究成果,但是它们在解集分布性,收敛性方面仍然存在不足。在吸取已有成果的基础上,本文针对单目标优化和多目标优化提出了改进的具有量子行为的粒子群算法（MDQPSO）和基于拥挤度和动态权重聚合的多目标粒子群优化算法（CDDWA-PSO）。其中MDQPSO算法通过对一系列的测试函数进行试验,试验结果表明该算法在收敛速度和稳定性上都较原算法有较大的改善。而CDDWA-PSO算法通过对三个典型测试函数的仿真,度量该算法的三个性能指标表明,该改进算法性能较好,能很好地求解多目标优化问题。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 本文的主要工作和成果
• 1.3 本文的组织
• 第二章 优化问题的理论基础
• 2.1 进化计算
• 2.2 群智能
• 2.2.1 遗传算法
• 2.2.2 蚁群算法
• 2.2.3 粒子群优化算法
• 2.3 最优化问题
• 2.4 本章小结
• 第三章 粒子群优化算法
• 3.1 粒子群算法的研究和改进
• 3.2 原始粒子群优化算法
• 3.2.1 算法原理
• 3.2.2 算法流程
• 3.2.3 PSO 算法的两种模型
• 3.3 标准粒子群优化算法
• 3.3.1 惯性权重（Inertia weight）的引入
• 3.3.2 收缩因子（Constriction factor）的引入
• 3.4 粒子群算法与其它进化算法的比较
• 3.4.1 相似点
• 3.4.2 不同点
• 3.5 粒子群算法的应用
• 3.6 本章小结
• 第四章 基于量子行为的改进粒子群优化算法
• 4.1 引言
• 4.2 原算法的原理及局限性
• 4.3 改进的粒子群算法及在单目标优化中的应用
• 4.3.1 改进的粒子群算法流程
• 4.3.2 实验方法
• 4.3.3 算法仿真结果及分析
• 4.3.4 实验结论
• 4.4 本章小结
• 第五章 基于拥挤度和惯性权重的改进多目标粒子群算法
• 5.1 多目标优化算法的研究及发展现状
• 5.2 经典的多目标优化方法及局限性
• 5.2.1 经典的多目标优化方法
• 5.2.2 经典方法的局限性
• 5.3 有关多目标优化的基本概念及定义
• 5.4 设计多目标粒子群算法的目标及评价指标
• 5.5 改进的算法采用的相关技术
• 5.5.1 拥挤度的算法
• 5.5.2 动态惯性权重聚合策略
• 5.5.3 归档机制
• 5.6 改进的多目标粒子群算法
• 5.6.1 算法原理
• 5.6.2 算法流程
• 5.6.3 实验方法
• 5.6.4 算法仿真结果及分析
• 5.6.5 算法复杂度分析
• 5.7 本章小结
• 第六章 结论与展望
• 6.1 本文的总结
• 6.2 未来展望
• 致谢
• 参考文献
• 攻硕期间取得的成果