【摘要】：人工智能的興起,帶動了智能算法的發(fā)展與進(jìn)步,為打破傳統(tǒng)優(yōu)化算法求解最優(yōu)問題的局限性提供了新思路。通過模擬自然界中生物習(xí)性,粒子群算法為解決優(yōu)化問題提供了一種新的有效途徑,且原理簡單、參數(shù)少、易實現(xiàn)、速度快。但粒子群算法容易產(chǎn)生早熟收斂,局部尋優(yōu)能力弱,基礎(chǔ)理論不夠完善。本文介紹了粒子群的衍生過程,著重介紹了粒子群算法的原理、執(zhí)行流程;粒子的控制參數(shù),如位置速度、學(xué)習(xí)因子、權(quán)重值;對算法添加改進(jìn)策略,如極值擾動、柯西變異、異維學(xué)習(xí)等;粒子群算法與其它群智能算法融合研究。為了驗證改進(jìn)算法的優(yōu)勢,本文從算法的求解效率、求解精度、魯棒性等方面進(jìn)行仿真實驗,較一些知名算法取得了不錯的效果。本文的重點概括為:(1)提出一種非線性極值擾動與柯西變異的簡化粒子群算法。簡化粒子群去掉了速度項,粒子更新公式由二階微分方程變?yōu)橐浑A微分方程,提升了算法的性能;引入非線性遞減的擾動算子和柯西變異策略,增強了種群多樣性,避免粒子陷入局部最優(yōu),提高算法搜索精度。(2)在PSO和DE混合算法的基礎(chǔ)上提出了一種基于異維變異的差分混合粒子群算法。采用熵度量的方式篩選出達(dá)到均勻分布的粒子群體從而提高群體多樣性;然后根據(jù)粒子分布特點,結(jié)合異維變異策略,引入維度因子確保即便部分粒子陷入了局部極值也能及時跳出循環(huán)從而提高后期算法的精度和效率。(3)將改進(jìn)的算法用于求解作業(yè)車間調(diào)度問題。通過編/解碼操作完成粒子與調(diào)度問題解的映射,并在經(jīng)典調(diào)度庫實例上進(jìn)行仿真驗證。
【學(xué)位授予單位】：武漢科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 靳雁霞;薛丹;張鑫;李偉楠;;融合類無標(biāo)度粒子群算法的圖像檢索研究[J];微電子學(xué)與計算機(jī);2018年01期

2 王雷;蔡勁草;唐敦兵;李明;;基于改進(jìn)遺傳算法的柔性作業(yè)車間調(diào)度[J];南京航空航天大學(xué)學(xué)報;2017年06期

3 鄭恩讓;姜蘇英;;基于改進(jìn)粒子群優(yōu)化算法的分?jǐn)?shù)階PID控制[J];控制工程;2017年10期

4 王瑩;曹軍;張福元;;基于模擬退火的改進(jìn)混沌粒子群算法[J];內(nèi)蒙古工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2017年03期

5 翁志遠(yuǎn);方杰;孔敏;程穎;;改進(jìn)差分進(jìn)化算法的作業(yè)車間調(diào)度優(yōu)化策略[J];控制工程;2017年06期

6 戴月明;王明慧;王春;王艷;;骨干雙粒子群算法求解柔性作業(yè)車間調(diào)度問題[J];系統(tǒng)仿真學(xué)報;2017年06期

7 劉浩;沈星;曲浩麗;王鵬軍;;粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)PID沼氣干發(fā)酵溫度控制[J];計算機(jī)工程與設(shè)計;2017年03期

8 程畢蕓;魯海燕;黃洋;許凱波;;求解TSP的自適應(yīng)優(yōu)秀系數(shù)粒子群優(yōu)化算法[J];計算機(jī)應(yīng)用;2017年03期

9 劉加存;梅其祥;楊東紅;;基于盲動粒子群頻率分解的極速學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)建模[J];信息與控制;2017年01期

10 郭巳秋;宋玉龍;宋策;劉立剛;任航;;改進(jìn)慣性權(quán)重的粒子群目標(biāo)跟蹤算法[J];國外電子測量技術(shù);2017年01期

相關(guān)博士學(xué)位論文 前1條

1 張慶科;粒子群優(yōu)化算法及差分進(jìn)行算法研究[D];山東大學(xué);2017年

相關(guān)碩士學(xué)位論文 前2條

1 吳高超;基于粒子群算法的路徑規(guī)劃問題研究[D];燕山大學(xué);2016年

2 朱航;基于改進(jìn)和聲搜索算法的車間作業(yè)調(diào)度問題研究[D];南京理工大學(xué);2015年

本文編號：2803094