论文摘要
粒子群算法是典型的群智能优化算法,由于其简单易实现、收敛速度快,它在工程实践中具有巨大应用潜力,并广泛应用于目标函数优化、神经网络、组合优化、图像处理等领域.但是粒子群算法存在早熟收敛以及求解精度不高的缺点.为了克服早熟收敛的缺陷,本文提出了两种改进的粒子群算法并分别应用于约束优化问题和BP神经网络的训练.第1章旨先对求解约束优化问题的传统数值方法进行综述,简单介绍了罚方法、障碍函数法、可行方向法以及乘子法,并论述了这些传统算法求解约束优化问题的优缺点以及现代求解算法的优势.其次介绍了BP神经网络的基本知识和BP算法.第2章从粒子群算法模型,参数选择,研究现状等方面对粒子群算法进行了详细介绍,并列举了粒子群算法很多成功的应用实例,为粒子群算法的深入应用提供参考.第3章由于粒子群算法处理约束优化问题时不可避免的会产生不可行点的缺点,首先提出了一种处理不可行点的新方案;其次通过引入差分演化算法作为粒子群算法的子算法提出一种混合粒子群算法;最后用数值实验表明混合粒子群算法可以有效解决约束优化问题.第4章提出一种简约多种群粒子群算法,该算法的各个子种群在空间中独立搜索;进一步,为了避免算法早熟收敛,根据种群的适应度方差对子种群各个粒子的当前最优解进行局部极值扰动,从而提升算法的全局搜索能力.最后将简约多群体粒子群算法用于训练BP神经网络,取得良好的模式识别效果.