基于模拟退火的粒子群改进算法的研究与应用

论文摘要

粒子群优化算法是一种简单有效的随机全局优化技术。但是,该算法也存在容易陷入局部极值,进化后期的收敛速度慢和精度低等缺点。对于粒子群优化算法的参数的设定,以往大都采用经验数据,没有具体的理论依据。本文针对算法的这些问题提出一种基于模拟退火的新型粒子群优化算法,利用模拟退火来优化粒子群算法的参数,使得粒子群优化算法的参数随着优化算法的进行而不断改变,以适应需要优化的问题。通过测试函数,证实了该种算法能够克服粒子群自身的一些缺点,与以往的算法相比,提高了收敛速度和精度。最后,本文将改进后的粒子群优化算法应用到求解约束优化问题、求解非线性方程组问题和热工过程辨识中,并取得了很好的应用效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 选题背景及意义
• 1.1.1 概述
• 1.1.2 选题背景
• 1.1.3 研究的意义
• 1.2 国内外研究动态
• 1.2.1 PSO算法的理论研究
• 1.2.2 PSO算法的改进方法研究
• 1.2.3 PSO算法的应用研究
• 1.3 论文的主要工作内容
• 第二章 粒子群优化算法理论分析
• 2.1 基本粒子群优化算法
• 2.1.1 基本原理
• 2.1.2 算法流程
• 2.1.3 全局模式与局部模式
• 2.1.4 同步模式与异步模式
• 2.2 标准粒子群优化算法
• 2.2.1 带惯性权重的粒子群优化算法
• 2.2.2 带收缩因子的粒子群优化算法
• 2.3 标准粒子群优化算法的收敛性分析
• 2.4 粒子群优化算法的参数分析
• 2.4.1 群体规模
• 2.4.2 最大速度
• 2.4.3 学习因子
• 2.4.4 惯性权重
• 2.4.5 迭代终止条件
• 2.5 离散二进制粒子群优化算法
• 2.6 小结
• 第三章 基于模拟退火的粒子群优化算法的改进研究
• 3.1 粒子群优化算法的改进分析
• 3.2 模拟退火算法
• 3.2.1 固体退火原理
• 3.2.2 模拟退火算法
• 3.2.3 模拟退火算法的特点
• 3.3 基于模拟退火的复合粒子群改进算法（CPSO-SA）
• 3.3.1 改进算法的基本原理
• 3.3.2 改进算法的基本流程
• 3.3.3 改进算法的测试函数实验
• 3.4 小结
• 第四章 粒子群改进算法在求解约束优化问题中的应用
• 4.1 约束优化问题
• 4.2 粒子群改进算法求解约束优化问题
• 4.2.1 约束条件的处理
• 4.2.2 粒子的比较准则
• 4.3 约束优化问题的数值实验
• 4.3.1 测试函数一
• 4.3.2 测试函数二
• 4.3.3 测试函数三
• 4.4 小结
• 第五章 粒子群改进算法在求解非线性方程组中的应用
• 5.1 非线性方程组的数学模型
• 5.2 非线性方程组的一般解法
• 5.2.1 不动点迭代法
• 5.2.2 牛顿法
• 5.3 粒子群改进算法求解非线性方程组
• 5.3.1 与求解非线性方程组等价的优化问题
• 5.3.2 求解非线性方程组的步骤
• 5.4 数值试验
• 5.4.1 非线性方程组一
• 5.4.2 非线性方程组二
• 5.4.3 与实际问题相关的非线性方程
• 5.5 小结
• 第六章 粒子群改进算法在热工过程辨识中的应用
• 6.1 引言
• 6.2 系统辨识的基本原理
• 6.3 基于改进粒子群优化算法的热工过程辨识
• 6.3.1 热工过程对象模型
• 6.3.2 基于CPSO-SA算法的过程辨识的原理
• 6.3.3 过程辨识算法的编码设计
• 6.4 仿真实验
• 6.4.1 已知模型的辨识
• 6.4.2 利用现场数据的辨识
• 6.5 小结
• 第七章 总结与展望
• 7.1 论文总结
• 7.2 研究展望
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况