發(fā)布時間：2017-08-12 00:34

  本文關(guān)鍵詞：改進(jìn)粒子群算法及其應(yīng)用研究

  更多相關(guān)文章： 粒子群優(yōu)化算法 慣性權(quán)重 擴(kuò)散操作 信息素機(jī)制 混沌操作 背包問題 人工勢場法 路徑規(guī)劃

【摘要】：粒子群算法(PSO)是一種基于群體迭代的新型仿生優(yōu)化算法。該算法通過粒子個體之間的相互協(xié)調(diào)來尋找最優(yōu)位置。同遺傳算法等其它仿生算法比較,粒子群算法概念簡單、可調(diào)參數(shù)少。目前粒子群算法引起人們的廣泛關(guān)注,已成為人工智能領(lǐng)域一個新的研究熱點(diǎn)。不過粒子群算法的發(fā)展歷史尚短,其理論及應(yīng)用研究還有待進(jìn)一步的擴(kuò)展。本文對PSO算法的搜索機(jī)制、改進(jìn)及應(yīng)用等方面進(jìn)行了較為深入的研究。主要研究內(nèi)容如下: 針對粒子群算法搜索精度不佳問題,提出了一種具有局部最優(yōu)模式的動態(tài)調(diào)整慣性權(quán)重的改進(jìn)粒子群算法(MPSO),并且將其應(yīng)用于復(fù)雜函數(shù)優(yōu)化問題。本文一方面通過跟蹤3個“極值”(個體極值、全局極值和周圍極值)來搜索解空間的最優(yōu)值;另一方面通過引入3種非線性遞減函數(shù)對慣性權(quán)重ω進(jìn)行調(diào)整,試圖能夠更加合理的反映粒子群搜索的非線性過程。 為了克服粒子群算法對高維函數(shù)優(yōu)化性能不佳問題,提出了一種非線性擴(kuò)散粒子群算法(NDPSO)。該算法通過非線性遞增的方式對粒子進(jìn)行擴(kuò)散操作,使得算法迭代初期可以避開大量非必要的擴(kuò)散操作,而在迭代末期將有更大的幾率進(jìn)行擴(kuò)散操作,從而既保證算法的運(yùn)行效率又能有效地提高算法的全局搜索能力,與此同時用非線性遞減策略對慣性權(quán)重進(jìn)行調(diào)整,使得算法在沒有擴(kuò)散時提高其搜索能力。實驗結(jié)果表明,非線性擴(kuò)散粒子群算法性能優(yōu)于基本粒子群算法及其一些改進(jìn)算法。 在離散粒子群算法的研究中,提出了一種基于蟻群混沌行為的離散粒子群算法(DPSO)。受蟻群算法啟發(fā),本算法借鑒了蟻群算法的信息素機(jī)制,對粒子群算法的速度位置更新公式重新定義;并在此基礎(chǔ)上對粒子群的初始化進(jìn)行混沌操作并在一定條件下進(jìn)行重新初始化,然后將其應(yīng)用到背包問題中,實驗結(jié)果表明該算法可以得到較優(yōu)解。 提出了一種基于改進(jìn)粒子群算法與人工勢場法結(jié)合的移動機(jī)器人全局路徑規(guī)劃方法。采用本文提出的動態(tài)擴(kuò)散粒子群算法來選擇人工勢場模型,以克服人工勢場模型缺陷,實現(xiàn)路徑和安全性的優(yōu)化。實驗結(jié)果表明該方法能有效提高路徑規(guī)劃的性能。
【關(guān)鍵詞】：粒子群優(yōu)化算法 慣性權(quán)重 擴(kuò)散操作 信息素機(jī)制 混沌操作 背包問題 人工勢場法 路徑規(guī)劃
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2009
【分類號】：TP301.6
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-13
• 1.1 研究目的與意義10-11
• 1.2 研究內(nèi)容與創(chuàng)新點(diǎn)11-12
• 1.3 論文結(jié)構(gòu)12-13
• 第2章 粒子群優(yōu)化算法及其理論基礎(chǔ)13-26
• 2.1 引言13
• 2.2 粒子群算法13-16
• 2.2.1 粒子群算法起源13-14
• 2.2.2 標(biāo)準(zhǔn)粒子群算法14-15
• 2.2.3 PSO 算法實現(xiàn)過程15
• 2.2.4 標(biāo)準(zhǔn)粒子群算法收斂性分析15-16
• 2.3 離散粒子群算法16-17
• 2.4 粒子群算法的幾種改進(jìn)方式17-19
• 2.4.1 變更公式法17-18
• 2.4.2 分群方法18-19
• 2.4.3 混合算法19
• 2.4.4 擾動方法19
• 2.5 粒子群算法應(yīng)用19-20
• 2.6 標(biāo)準(zhǔn)測試函數(shù)介紹20-26
• 第3章 改進(jìn)粒子群算法及其在高維函數(shù)優(yōu)化中的應(yīng)用26-40
• 3.1 引言26
• 3.2 具有局部最優(yōu)模式的動態(tài)調(diào)整慣性權(quán)重的改進(jìn)粒子群算法26-33
• 3.2.1 嵌入局部最優(yōu)模式的粒子群更新算法26-27
• 3.2.2 非線性遞減策略調(diào)整ω的粒子群更新算法27-28
• 3.2.3 收斂性分析28-29
• 3.2.4 仿真研究29-32
• 3.2.5 小結(jié)32-33
• 3.3 非線性擴(kuò)散粒子群算法33-40
• 3.3.1 非線性擴(kuò)散粒子群算法(NDPSO)描述33-34
• 3.3.2 NDPSO 算法實現(xiàn)過程及收斂性分析34
• 3.3.3 實驗分析34-39
• 3.3.4 小結(jié)39-40
• 第4章 基于蟻群混沌行為的離散粒子群算法及其應(yīng)用40-50
• 4.1 引言40
• 4.2 背包問題描述40-41
• 4.3 基于蟻群混沌行為的離散粒子群算法原理及實現(xiàn)41-43
• 4.3.1 基于蟻群混沌行為的離散粒子群算法原理41-43
• 4.3.2 算法流程43
• 4.4 仿真研究43-49
• 4.4.1 DPSO 算法與其他仿生算法性能比較43-45
• 4.4.2 DPSO 算法與基于其他方式改進(jìn)的離散粒子群算法性能比較45-49
• 4.4.3 DPSO 算法與傳統(tǒng)方法性能比較49
• 4.5 小結(jié)49-50
• 第5章 動態(tài)擴(kuò)散粒子群算法及其在移動機(jī)器人全局路徑規(guī)劃中的應(yīng)用50-58
• 5.1 引言50
• 5.2 動態(tài)擴(kuò)散粒子群算法50-51
• 5.3 基于動態(tài)擴(kuò)散粒子群算法-人工勢場法的移動機(jī)器人全局路徑規(guī)劃51-57
• 5.3.1 人工勢場法51-53
• 5.3.2 采用動態(tài)擴(kuò)散粒子群算法的人工勢場參數(shù)優(yōu)化53-54
• 5.3.3 仿真實驗54-57
• 5.4 小結(jié)57-58
• 第6章 總結(jié)與展望58-60
• 6.1 本文工作總結(jié)58
• 6.2 待進(jìn)一步研究的問題58-60
• 參考文獻(xiàn)60-67
• 致謝67-68
• 附錄68
• 作者在讀期間發(fā)表的學(xué)術(shù)論文及參加的科研項目68
• 一、學(xué)術(shù)論文68
• 二、科研項目68

【引證文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 趙賀;于希娟;王林;;含冷熱電聯(lián)供的微電網(wǎng)系統(tǒng)最優(yōu)經(jīng)濟(jì)運(yùn)行分析[J];電氣應(yīng)用;2012年21期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 寶旭崢;110kV冷絕緣高溫超導(dǎo)電纜優(yōu)化設(shè)計與均流特性研究[D];北京交通大學(xué);2011年

2 潘雯雯;虛擬企業(yè)伙伴選擇智能算法研究及應(yīng)用[D];安徽大學(xué);2012年

，

本文編號：658982