本文關(guān)鍵詞：多樣性增強的粒子群優(yōu)化算法及其應(yīng)用研究

  更多相關(guān)文章： 粒子群優(yōu)化算法 骨干粒子群優(yōu)化算法 種群多樣性 分裂算子 反向?qū)W習(xí) 無約束優(yōu)化問題

【摘要】：智能優(yōu)化算法為求解一類不連續(xù)、不可微的優(yōu)化問題提供了有效的解決途徑。粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)具有原理和實現(xiàn)簡單、需調(diào)控的參數(shù)少及令人滿意的收斂性能而成為智能優(yōu)化領(lǐng)域的研究熱點。雖然PSO算法在很多領(lǐng)域已得到成功應(yīng)用,但與其他進化算法類似,PSO算法也存在早熟及收斂速度慢等缺點,究求原因是由于種群多樣性快速喪失造成。本文在深入研究PSO算法的基礎(chǔ)上,從增強種群多樣性來提高算法的收斂性能入手,提出了若干改進的PSO算法,并通過在大量非線性的無約束優(yōu)化問題上的仿真實驗驗證了所提出的各種改進算法的收斂性能。本論文主要包括以下研究工作：第一章主要介紹了傳統(tǒng)優(yōu)化方法的不足、常見的群體智能優(yōu)化算法、PSO算法的國內(nèi)外研究現(xiàn)狀以及本論文的主要研究工作。第二章通過模擬天體的分裂現(xiàn)象,對搜索過程中滿足分裂條件的粒子,通過相應(yīng)的分裂算子來執(zhí)行分裂策略。所提出的不同分裂算子分別用于PSO算法及骨架PSO(Bare-bones PSO, BPSO)算法。本章對提出的各種分裂策略進行了對比,并通過對比執(zhí)行分裂策略前后粒子的分布和種群多樣性的變化情況來說明分裂操作能增強種群的多樣性,從而有利于調(diào)節(jié)種群全局探索能力和局部開采能力的平衡。仿真實驗和統(tǒng)計分析驗證了改進的PSO算法(DPSO及DBPSO)能提高收斂速度和收斂精度。第三章,我們一改反向?qū)W習(xí)(Oppositon-Based Learning, OBL)僅用于種群初始化或改善種群質(zhì)量的傳統(tǒng)方法,提出將OBL應(yīng)用于自身歷史最優(yōu)Pbest而不是種群X。這種策略一方面為全局最優(yōu)Gbest提供了潛在的更新機會,有利于提高解的收斂精度；另一方面,也重組了Pbest與X的對應(yīng)關(guān)系,有利于重新引導(dǎo)粒子的飛行方向。同時,我們還在粒子的進化方程中集成了“反叛學(xué)習(xí)項”,并通過引入隨機學(xué)習(xí)因子減少了算法中的調(diào)控參數(shù)。這些措施不僅通過改變粒子的飛行方向來增強種群多樣性,還減少了待優(yōu)化問題對參數(shù)的依賴性。仿真實驗和統(tǒng)計分析證實了改進的PSO算法(PSO-OBL和BPSO-OBL)能在較小的計算開銷下找到更好的解,且待優(yōu)化問題的維數(shù)對其影響更小。第四章,受人類學(xué)習(xí)行為的啟發(fā),在PSO算法中引入了向差等粒子學(xué)習(xí)(Gworst)的策略,通過一服從標準正態(tài)分布的學(xué)習(xí)因子的取值(+、0、-)來模擬受不良行為的影響情況(促進學(xué)習(xí)、不受影響、懲罰學(xué)習(xí))。同時,我們用兩個和為1的隨機學(xué)習(xí)因子替代了PSO中的加速因子c1和c2。這些措施在減少算法參數(shù)的同時改變了粒子的飛行方向,從而能有效地減少待優(yōu)化問題對參數(shù)的依賴性,并且增強了種群的多樣性。仿真實驗和統(tǒng)計分析驗證了改進的PSO算法(HPSO)在不增加算法復(fù)雜度下能提高算法的收斂性能。
【關(guān)鍵詞】：粒子群優(yōu)化算法 骨干粒子群優(yōu)化算法 種群多樣性 分裂算子 反向?qū)W習(xí) 無約束優(yōu)化問題
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP18
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 緒論11-31
• 1.1 優(yōu)化問題和傳統(tǒng)的優(yōu)化方法11-13
• 1.1.1 優(yōu)化問題及其分類11-12
• 1.1.2 傳統(tǒng)的優(yōu)化方法12-13
• 1.2 群體智能優(yōu)化算法13-20
• 1.2.1 群體智能優(yōu)化算法的產(chǎn)生13
• 1.2.2 常見的群體智能優(yōu)化算法13-18
• 1.2.3 群體智能優(yōu)化算法的優(yōu)勢和不足18-20
• 1.3 粒子群優(yōu)化算法20-28
• 1.3.1 粒子群優(yōu)化算法的來源和工作原理20-21
• 1.3.2 基本粒子群優(yōu)化算法21-23
• 1.3.3 粒子群優(yōu)化算法的研究現(xiàn)狀23-27
• 1.3.4 粒子群優(yōu)化算法的應(yīng)用27
• 1.3.5 有待進一步研究的問題27-28
• 1.4 本論文的主要內(nèi)容及創(chuàng)新之處28-31
• 第二章 基于分裂算子的粒子群優(yōu)化算法求解無約束優(yōu)化問題31-71
• 2.1 天體分裂現(xiàn)象32-33
• 2.2 基于自適應(yīng)分裂算子和時變最大速度的粒子群優(yōu)化算法33-49
• 2.2.1 引言33
• 2.2.2 DPSO算法33-37
• 2.2.3 時變最大速度的分析37
• 2.2.4 種群多樣性分析37-39
• 2.2.5 DPSO的變形分裂算子39-40
• 2.2.6 DPSO算法求解無約束優(yōu)化問題及其實驗分析40-49
• 2.2.7 DPSO算法的結(jié)論49
• 2.3 骨干粒子群優(yōu)化算法49-50
• 2.4 帶分裂算子的骨干粒子群優(yōu)化算法50-69
• 2.4.1 DBPSO算法50-53
• 2.4.2 初始閾值C_0對DBPSO算法性能的影響53-54
• 2.4.3 分布和多樣性分析54-57
• 2.4.4 原始點、分裂點及最優(yōu)點之間的位置關(guān)系57
• 2.4.5 DBPSO算法求解無約束優(yōu)化問題及其試驗分析57-69
• 2.4.6 DBPSO算法的結(jié)論69
• 2.5 本章小結(jié)69-71
• 第三章 集成反向?qū)W習(xí)的粒子群優(yōu)化算法求解無約束優(yōu)化問題71-105
• 3.1 反向?qū)W習(xí)71-75
• 3.1.1 基于反向?qū)W習(xí)的相關(guān)定義71-72
• 3.1.2 基于反向?qū)W習(xí)的PSO算法72-75
• 3.2 集成反向?qū)W習(xí)的粒子群優(yōu)化算法75-81
• 3.2.1 引言75
• 3.2.2 PSO-OBL算法75-78
• 3.2.3 PSO-OBL算法求解無約束優(yōu)化問題及其試驗分析78-80
• 3.2.4 PSO-OBL算法的結(jié)論80-81
• 3.3 集成反向?qū)W習(xí)的骨干粒子群優(yōu)化算法81-102
• 3.3.1 引言81-82
• 3.3.2 BPSO-OBL算法82-86
• 3.3.3 BPSO-OBL算法求解無約束優(yōu)化問題及其實驗分析86-100
• 3.3.4 BPSO-OBL算法的結(jié)論100-102
• 3.4 本章小結(jié)102-105
• 第四章 基于人類行為的粒子群優(yōu)化算法求解無約束優(yōu)化問題105-121
• 4.1 引言105-106
• 4.2 基于人類行為的PSO算法(HPSO)106-110
• 4.3 HPSO算法求解無約束優(yōu)化問題及其試驗分析110-119
• 4.3.1 無約束測試函數(shù)110-111
• 4.3.2 HPSO與SPSO在不同搜索空間上的比較111-117
• 4.3.3 HPSO與其他PSO算法的比較117-119
• 4.4 本章小結(jié)119-121
• 第五章 本文工作總結(jié)及研究展望121-123
• 5.1 本文研究工作總結(jié)121-122
• 5.2 研究展望122-123
• 參考文獻123-139
• 攻讀博士學(xué)位期間發(fā)表論文及研究成果清單139-141
• 致謝141

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 蒙正中;;一種改進的混合粒子群優(yōu)化算法[J];桂林工學(xué)院學(xué)報;2009年03期

2 吳昌友;王福林;馬力;;一種新的改進粒子群優(yōu)化算法[J];控制工程;2010年03期

3 周馳,高海兵,高亮,章萬國;粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2003年12期

4 高鷹,謝勝利;免疫粒子群優(yōu)化算法[J];計算機工程與應(yīng)用;2004年06期

5 張榮沂;一種新的集群優(yōu)化方法——粒子群優(yōu)化算法[J];黑龍江工程學(xué)院學(xué)報;2004年04期

6 高鷹;謝勝利;;混沌粒子群優(yōu)化算法[J];計算機科學(xué);2004年08期

7 劉釗,康立山,蔣良孝,楊林權(quán);用粒子群優(yōu)化改進算法求解混合整數(shù)非線性規(guī)劃問題[J];小型微型計算機系統(tǒng);2005年06期

8 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應(yīng)用[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2005年10期

9 竇全勝;周春光;馬銘;劉全;;群核進化粒子群優(yōu)化方法[J];計算機科學(xué);2005年08期

10 范娜;云慶夏;;粒子群優(yōu)化算法及其應(yīng)用[J];信息技術(shù);2006年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張妍;張曉光;王永鋼;;幾種改進型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學(xué)術(shù)研討會論文集[C];2007年

2 孫紅光;潘毓學(xué);;基于運動目標路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學(xué)會第八屆學(xué)術(shù)交流會論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應(yīng)粒子群優(yōu)化算法的應(yīng)用研究[A];第九屆全國計算（機）化學(xué)學(xué)術(shù)會議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見青;;一種新的自適應(yīng)粒子群優(yōu)化算法及應(yīng)用[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進的自適應(yīng)粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學(xué)大會——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進粒子群優(yōu)化算法的彈道求解方法[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第三分冊）[C];2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應(yīng)用研究[D];北京理工大學(xué);2015年

2 劉華鎣;粒子群優(yōu)化算法的改進研究及在石油工程中的應(yīng)用[D];東北石油大學(xué);2012年

3 劉波;粒子群優(yōu)化算法及其在機電設(shè)備中的應(yīng)用研究[D];中北大學(xué);2011年

4 熊勇;粒子群優(yōu)化算法的行為分析與應(yīng)用實例[D];浙江大學(xué);2005年

5 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學(xué);2007年

6 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2008年

7 余炳輝;粒子群優(yōu)化算法試驗研究及擴展[D];華中科技大學(xué);2007年

8 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學(xué);2007年

9 徐慧;粒子群優(yōu)化算法改進及其在煤層氣產(chǎn)能預(yù)測中的應(yīng)用研究[D];中國礦業(yè)大學(xué);2013年

10 徐星;融合熱運動機制的粒子群優(yōu)化算法研究及其應(yīng)用[D];武漢大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 陳卓;粒子群優(yōu)化算法的改進及在油藏數(shù)值模擬中的應(yīng)用[D];北京建筑大學(xué);2015年

2 白云;基于粒子群優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學(xué);2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究[D];蘭州大學(xué);2015年

4 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學(xué);2015年

5 鄭博;基于快速排序的多目標粒子群優(yōu)化算法的研究及應(yīng)用[D];鄭州大學(xué);2015年

6 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學(xué);2015年

7 李建美;基于自適應(yīng)變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學(xué);2015年

8 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學(xué);2015年

9 牛旭;動態(tài)粒子群優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2014年

10 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學(xué);2014年

，

本文編號：560749