粒子群優(yōu)化算法（Particle Swarm Optimization,PSO）是模擬鳥群覓食行為的基礎(chǔ)上提出群智能優(yōu)化算法,是優(yōu)化領(lǐng)域中新興的分支。它具有實(shí)現(xiàn)簡單、易于理解、控制參數(shù)少等優(yōu)點(diǎn)。因此,該算法一提出就引起研究學(xué)者廣泛關(guān)注。但PSO存在早熟收斂的缺點(diǎn),針對這種問題從多樣性保持和控制層面進(jìn)行分析,從而提出兩種改進(jìn)PSO算法。本文主要包括以下研究工作:（1）針對粒子群陷入早熟收斂的問題,提出一種動(dòng)態(tài)反向的隨機(jī)漂移粒子群（Random Drift Swarm Optimization with Dynamic Opposition based learning,DO-RDPSO）算法,該算法融合隨機(jī)漂移策略和反向?qū)W習(xí)策略。在DO-RDPSO算法中,應(yīng)用隨機(jī)漂移策略進(jìn)行搜索時(shí),某個(gè)粒子個(gè)體最優(yōu)值停滯的次數(shù)超過某一個(gè)預(yù)先設(shè)定的閾值,說明該種群多樣性過低,且通過隨機(jī)漂移運(yùn)動(dòng)跳出局部最優(yōu)的可能性很小,此時(shí)不需要通過隨機(jī)漂移策略進(jìn)行更新而是進(jìn)行反向?qū)W習(xí),構(gòu)造該粒子的反向解,提高種群的多樣性。通過測試14函數(shù)可以看出DO-RDPSO可以跳出局部最優(yōu),從而找到全局最優(yōu)解。（2）針對粒子群算法在... 

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 相關(guān)技術(shù)與國內(nèi)外研究現(xiàn)狀
        1.2.1 基于慣性權(quán)重的改進(jìn)
        1.2.2 基于混合方法的改進(jìn)
        1.2.3 基于拓?fù)浣Y(jié)構(gòu)的改進(jìn)
        1.2.4 基于多樣性保持和控制的改進(jìn)
    1.3 粒子群的難點(diǎn)
    1.4 本文主要研究內(nèi)容
    1.5 本文章節(jié)安排
第二章 粒子群算法
    2.1 粒子群理論與分析
        2.1.1 粒子群優(yōu)化算法原理
        2.1.2 算法流程
        2.1.3 認(rèn)知行為與社會(huì)行為分析
        2.1.4 局部模型與全局模型
        2.1.5 參數(shù)分析
    2.2 改進(jìn)粒子群算法
        2.2.1 標(biāo)準(zhǔn)PSO算法
        2.2.2 UPSO算法
        2.2.3 FIPSO算法
    2.3 本章小結(jié)
第三章 動(dòng)態(tài)反向的隨機(jī)漂移粒子群優(yōu)化算法研究
    3.1 多樣性度量
    3.2 RDPSO算法
    3.3 反向?qū)W習(xí)策略
    3.4 動(dòng)態(tài)反向的隨機(jī)漂移粒子群算法
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.5.2 實(shí)驗(yàn)設(shè)置
        3.5.3 實(shí)驗(yàn)結(jié)果及分析
        3.5.4 參數(shù)研究
    3.6 本章小結(jié)
第四章 交叉算子的隨機(jī)漂移粒子群算法研究
    4.1 交叉算子
    4.2 交叉算子的隨機(jī)漂移粒子群
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 實(shí)驗(yàn)設(shè)置
        4.3.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.4 參數(shù)研究
    4.4 本章小結(jié)
第五章 基于CO-RDPSO優(yōu)化SVM的電力負(fù)荷預(yù)測
    5.1 支持向量機(jī)
        5.1.1 支持向量回歸算法
        5.1.2 核函數(shù)
    5.2 實(shí)驗(yàn)設(shè)計(jì)說明和實(shí)驗(yàn)流程
    5.3 實(shí)驗(yàn)結(jié)果與分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄 :作者在攻讀碩士學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]BP神經(jīng)網(wǎng)絡(luò)原理研究與實(shí)現(xiàn)[J]. 韓普,周漢辰,周北望.  廣播電視信息. 2018(10)
[2]多樣性反饋與控制的粒子群優(yōu)化算法[J]. 饒興華,王文格,胡旭.  計(jì)算機(jī)應(yīng)用. 2014(02)
[3]基于改進(jìn)粒子群算法的物流配送車輛調(diào)度[J]. 馬冬青,王蔚.  計(jì)算機(jī)工程與應(yīng)用. 2014(11)
[4]基于粒子群算法的預(yù)警機(jī)航線規(guī)劃[J]. 吳逸,李強(qiáng),代科學(xué),王國師.  空軍雷達(dá)學(xué)院學(xué)報(bào). 2010(06)
[5]一種多樣性控制的粒子群優(yōu)化算法[J]. 方偉,孫俊,須文波.  控制與決策. 2008(08)
[6]Fast multi-swarm optimization based-on Cauchy mutation and crossover operation[J]. ZHANG Qing,FENG Jie,ZHANG Jun-wen,XIE Wei (College of Physical Science and Technology,Huanggang Normal University,Huangzhou 438000,Hubei,China).  黃岡師范學(xué)院學(xué)報(bào). 2008(03)
[7]一種新的自適應(yīng)粒子群優(yōu)化算法[J]. 林川,馮全源.  計(jì)算機(jī)工程. 2008(07)
[8]粒子群優(yōu)化算法的慣性權(quán)值遞減策略研究[J]. 陳貴敏,賈建援,韓琪.  西安交通大學(xué)學(xué)報(bào). 2006(01)
[9]帶時(shí)間窗車輛路徑問題的粒子群算法[J]. 李寧,鄒彤,孫德寶.  系統(tǒng)工程理論與實(shí)踐. 2004(04)
[10]免疫粒子群優(yōu)化算法[J]. 高鷹,謝勝利.  計(jì)算機(jī)工程與應(yīng)用. 2004(06)



本文編號(hào)：3686808