粒子群優(yōu)化算法的研究及其應(yīng)用.pdf

1、作為一種新興演化計(jì)算技術(shù),群智能已成為新的研究熱點(diǎn)。已完成的理論和應(yīng)用研究證明群體智能方法是一種能夠有效解決大多數(shù)全局優(yōu)化問題的新方法。更為重要的是,群智能的潛在并行性和分布式特點(diǎn)為處理大量的以數(shù)據(jù)庫形式存在的數(shù)據(jù)提供了技術(shù)保證。與傳統(tǒng)的優(yōu)化算法相比,粒子群算法在多維函數(shù)尋優(yōu)、動(dòng)態(tài)目標(biāo)尋優(yōu)等方面有著收斂速度快、解質(zhì)量高、魯棒性好等優(yōu)點(diǎn),特別適合機(jī)械工程應(yīng)用。由于粒子群算法在進(jìn)化后期存在搜索速度較慢,容易陷入局部最優(yōu)點(diǎn)以及搜索到解的時(shí)間較

2、長且精度不高的缺點(diǎn),所以對算法進(jìn)行改進(jìn)的研究就成為一個(gè)必要的課題。 本文主要進(jìn)行了兩大部分內(nèi)容的研究： 針對慣性線性遞減粒子群算法不能適應(yīng)復(fù)雜的非線性優(yōu)化搜索過程的問題,提出了兩種改進(jìn)的粒子群算法。一種動(dòng)態(tài)慣性權(quán)值的粒子群優(yōu)化算法(DIPSO)中,引入了進(jìn)化速度因子和聚集度因子這兩個(gè)參數(shù)。對于求最小值的優(yōu)化問題：進(jìn)化速度因子越小,表明進(jìn)化速度越快,算法可以在較大的搜索空間內(nèi)持續(xù)搜索,可以減小慣性權(quán)重的值,使得粒子群在小范

3、圍內(nèi)空間搜索,以便更快的找到最優(yōu)解。若粒子較分散,粒子就不易陷入局部最優(yōu)解,隨著粒子群的聚集程度的提高,算法容易陷入局部最優(yōu)解,此時(shí),應(yīng)增大慣性權(quán)重,這樣就增加了粒子群的搜索空間,提高粒子群的全局尋優(yōu)能力。那么,改進(jìn)算法的慣性權(quán)重就可以表示為進(jìn)化速度因子和聚集度因子的函數(shù)。在每次迭代時(shí)算法可根據(jù)當(dāng)前粒子群進(jìn)化速度因子和聚集度因子動(dòng)態(tài)的改變慣性權(quán)值,從而使算法具有動(dòng)態(tài)自適應(yīng)性。在一種自適應(yīng)隨機(jī)慣性權(quán)值的粒子群優(yōu)化算法(ARIWPSO)中,