針對粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)尋優(yōu)速度慢、收斂精度不高且搜索結(jié)果波動性較大的缺點,提出了一種自適應(yīng)簡化粒子群優(yōu)化算法(Self-Adjusted Simplified Particle Swarm Optimization,SASPSO)。在每次迭代過程中,粒子只受全局最優(yōu)解影響,且加入按一定規(guī)律分布的鎖定因子,令粒子受影響的程度有規(guī)律性。同時,利用鎖定因子和當(dāng)前粒子位置令慣性權(quán)重自適應(yīng)配置,更有效地利用慣性權(quán)重對粒子群優(yōu)化算法的影響。引入4種近期提出的改進粒子群算法同時搜索不同維度時的18個基準函數(shù),與SASPSO的搜索結(jié)果對比,并使用T-test進行差異性分析。為了進一步分析算法性能,統(tǒng)計5個改進算法搜索100維函數(shù)達到期望值時的成功率與平均迭代次數(shù)。實驗結(jié)果證明,SASPSO在無約束問題尋優(yōu)中的收斂速度、尋優(yōu)精度有了明顯提升,且搜索結(jié)果異常值較少,波動性弱。將SASPSO應(yīng)用于機床主軸結(jié)構(gòu)參數(shù)優(yōu)化問題,結(jié)果顯示SASPSO優(yōu)化性能更好。

【文章頁數(shù)】：14 頁

【文章目錄】：
1 引言
2 基本粒子群優(yōu)化算法
3 自適應(yīng)簡化粒子群優(yōu)化算法 (SASPSO)
4 仿真實驗與數(shù)據(jù)分析
    4.1 測試函數(shù)
    4.2 參數(shù)設(shè)置與仿真環(huán)境
    4.3 權(quán)重閾值討論
    4.4 局部和全局尋優(yōu)能力平衡性分析
    4.5 算法比較與分析
        4.5.1 不同維度比較及T-test分析算法比較與分析
        4.5.2 算法復(fù)雜度分析
        4.5.3 成功率和平均迭代次數(shù)分析
    4.6 機床主軸結(jié)構(gòu)參數(shù)優(yōu)化結(jié)果及分析
5 結(jié)束語



本文編號：3773460