【摘要】：粒子群優(yōu)化算法(PSO)的概念相對(duì)其他群體智能算法較為簡(jiǎn)單、易于實(shí)現(xiàn)、需要調(diào)整的參數(shù)少,因此,得到了廣泛應(yīng)用。雖然PSO具有較好的全局搜索能力,但種群搜索盲目性較大,從而降低了收斂精度和速度。由于自適應(yīng)矩估計(jì)算法在一定條件下具有快速的局部收斂和理想的總體收斂性,在基本粒子群優(yōu)化算法尋優(yōu)基礎(chǔ)上引入自適應(yīng)矩估計(jì)算法對(duì)粒子進(jìn)行局部尋優(yōu),提高了粒子群在搜索空間的搜索能力;由于非精確一維搜索具有定向搜索、能夠保證局部收斂的特點(diǎn),引入改進(jìn)的非精確一維搜索算法來(lái)加快算法的收斂速率。本文主要工作如下:(1)針對(duì)自適應(yīng)粒子群優(yōu)化算法(APSO)不能及時(shí)跳出局部最優(yōu)點(diǎn)、收斂精度低下的問(wèn)題,提出了基于自適應(yīng)矩估計(jì)的粒子群優(yōu)化算法(AdamPSO)。該算法在APSO搜索的基礎(chǔ)上,利用自適應(yīng)矩估計(jì)對(duì)每個(gè)粒子進(jìn)行局部搜索,根據(jù)粒子的適應(yīng)度值,來(lái)調(diào)整粒子的搜索方向,從而找到更好的解。該算法在多峰測(cè)試函數(shù)中的實(shí)驗(yàn)結(jié)果表明,提出的算法與基本PSO算法和同類(lèi)型的基于梯度的算法相比收斂效果得到了明顯地提高,并且需要更少的迭代次數(shù)。(2)針對(duì)APSO算法在搜索初期階段容易出現(xiàn)重復(fù)搜索現(xiàn)象,導(dǎo)致搜索時(shí)間有所增加的問(wèn)題,提出了基于非精確一維搜索和自適應(yīng)矩估計(jì)的粒子群優(yōu)化算法(ILS-AdamPSO)。首先,使用非精確一維搜索算法來(lái)進(jìn)行確定性搜索直到種群失去多樣性,其次,按照改進(jìn)的速度進(jìn)化方程來(lái)增加種群的多樣性。最后,當(dāng)種群的全局最優(yōu)值經(jīng)過(guò)若干迭代后仍然沒(méi)有發(fā)生改變時(shí),使用自適應(yīng)矩估計(jì)算法來(lái)更新種群的全局最優(yōu)點(diǎn)。實(shí)驗(yàn)結(jié)果表明,在求解多峰測(cè)試函數(shù)的最優(yōu)值時(shí),提出的算法與其他算法相比,不僅提高了粒子群在搜索空間的搜索能力,而且還使得陷入局部最優(yōu)點(diǎn)的粒子朝著更好的解去搜索。
【圖文】：

早被提出來(lái)的 PSO，采取了全局版本的拓?fù)浣Y(jié)構(gòu)也就是 All 型粒子相鄰的都是除了自己之外的其他粒子，但是這種結(jié)構(gòu)的 PSO局部最優(yōu)點(diǎn)而無(wú)法跳出。因此，1999 年局部版本也就是 Ring 型了[7]，，雖然這種結(jié)構(gòu)的 PSO 改善了算法容易陷入局部最優(yōu)的問(wèn)題了各個(gè)粒子之間信息交流慢的問(wèn)題。因此，根據(jù)粒子之間的信息另外三種拓?fù)浣Y(jié)構(gòu)，示意圖如圖 1.1 所示：ALL 型 Ring 型 Four clust

基于非精確一維搜索和自適應(yīng)矩估計(jì)的粒子群算法研究 判斷是否達(dá)到該算法運(yùn)行時(shí)的最大迭代數(shù)PSON ，若滿(mǎn)足停止條法；否則，轉(zhuǎn)到步驟(2)繼續(xù)搜索。邏輯流程圖如圖 2.1 所示。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓飛;楊春生;劉清;;一種改進(jìn)的基于梯度搜索的粒子群優(yōu)化算法[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

2 樂(lè)依峗;蔡靜;;用重節(jié)點(diǎn)差商法求解一階不完全Hermite插值問(wèn)題[J];麗水學(xué)院學(xué)報(bào);2012年05期

3 張干清;龔憲生;;變量相關(guān)情況下基于雜交GA-PSO算法的結(jié)構(gòu)協(xié)同優(yōu)化[J];機(jī)械工程學(xué)報(bào);2012年15期

4 紀(jì)潔;顧偉;張松勇;;一種新型生物地理學(xué)智能優(yōu)化算法及其比較研究[J];上海電力學(xué)院學(xué)報(bào);2012年01期

5 卿倩;胡娟娟;王碩;;廣義Wolfe線搜索下共軛梯度法的全局收斂性[J];桂林電子科技大學(xué)學(xué)報(bào);2011年04期

6 王斌;;共軛梯度法[J];黑龍江科技信息;2010年29期

7 許小健;查日興;;一種新型群體智能優(yōu)化算法——微進(jìn)化算法[J];廈門(mén)理工學(xué)院學(xué)報(bào);2010年03期

8 吳鋒;李秀梅;朱旭輝;黃哲華;;最速下降法的若干重要改進(jìn)[J];廣西大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年04期

9 展丙軍;;關(guān)于拉格朗日乘數(shù)法的一點(diǎn)注記[J];高等數(shù)學(xué)研究;2010年02期

10 張燕;徐爾;;精確一維搜索下幾種共軛梯度法的分析比較[J];北京工商大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

相關(guān)博士學(xué)位論文 前3條

1 劉衍民;粒子群算法的研究及應(yīng)用[D];山東師范大學(xué);2011年

2 沈磊;心理學(xué)模型與協(xié)同過(guò)濾集成的算法研究[D];北京航空航天大學(xué);2010年

3 楊永健;求全局最優(yōu)化的幾種確定性算法[D];上海大學(xué);2005年

相關(guān)碩士學(xué)位論文 前3條

1 李艷麗;基于多目標(biāo)優(yōu)化的粒子群算法研究及其應(yīng)用[D];西南交通大學(xué);2014年

2 謝安世;一種新型的智能優(yōu)化方法—標(biāo)竿學(xué)習(xí)算法[D];安徽工業(yè)大學(xué);2010年

3 楊朋樽;粒子群算法的拓?fù)浣Y(jié)構(gòu)分析與研究[D];太原理工大學(xué);2010年

本文編號(hào)：2623002