復雜優(yōu)化問題中小生境粒子群優(yōu)化算法的改進及研究.pdf

1、在現(xiàn)實社會的生產(chǎn)實踐中，大量實際問題的解決最終可轉(zhuǎn)化為對問題的優(yōu)化。而這些待優(yōu)化的問題往往非常復雜，集中表現(xiàn)在多模值、維數(shù)高、多目標和動態(tài)性等方面。傳統(tǒng)的進化算法受限于自身的機理和結(jié)構(gòu)單一，收斂精度低、對初值敏感、易陷入局部最優(yōu)，對高維復雜問題的處理比較吃力。
　　 由Eberhart和Kennedy教授在1995年共同提出了粒子群優(yōu)化算法。它源于魚群和鳥群的覓食行為，進而提出來的一種具有代表性的群體性智能進化算法。由于粒子群優(yōu)

2、化算法具有搜索速度快、全局搜索能力強、魯棒性強等突出優(yōu)點，所以短短幾年時間，粒子群優(yōu)化算法已經(jīng)成為計算智能領(lǐng)域的新的研究熱點，并被應用到許多領(lǐng)域之中。
　　 隨著大量科研人員對粒子群優(yōu)化算法的深入研究，粒子群優(yōu)化算法已被成功地用來解決靜態(tài)單模優(yōu)化問題。但是實際生產(chǎn)中的許多優(yōu)化問題需轉(zhuǎn)化為多模優(yōu)化問題和動態(tài)優(yōu)化問題。面對這些復雜的優(yōu)化問題，不但要求優(yōu)化算法能夠迅速的、準確的找到全局最優(yōu)極值點，而且要找出所有的局部最優(yōu)極值點并能夠及

3、時的跟蹤變化的全局最優(yōu)極值點。這對于粒子群優(yōu)化算法則是一種新的挑戰(zhàn)。
　　 現(xiàn)從以下三方面對本文所做的工作進行闡述:
　　 (1)粒子群優(yōu)化算法的發(fā)展經(jīng)歷了慣性權(quán)重線性遞減、全信息、單維搜索、拓撲結(jié)構(gòu)、多種群等策略改進的階段。本文對粒子群優(yōu)化算法發(fā)展過程和各種改進版本在第2章作了詳細的描述和分析。
　　 (2)多模優(yōu)化問題在現(xiàn)實生活中非常常見。例如:路徑優(yōu)化、數(shù)據(jù)分析、蛋白質(zhì)結(jié)構(gòu)預測等。這類問題不僅要尋找一個全局

4、最優(yōu)極值點，有些場合需要同時找出其余的局部最優(yōu)極值點。對于多模優(yōu)化問題，經(jīng)典的優(yōu)化算法往往易陷入局部最優(yōu)點而難以找到全局最優(yōu)解，更難于找到所有的局部最優(yōu)極值點。但是，基于物種形成原理的小生境技術(shù)的引入使多模優(yōu)化問題的求解決逐步實現(xiàn)。本文將在第3、4章詳細介紹小生境技術(shù)的精華之處，并測試驗證基于局部搜索的小生境粒子群優(yōu)化算法的優(yōu)勢。
　　 (3)現(xiàn)實世界的許多問題中存在很多動態(tài)元素。某些變量的狀態(tài)常常隨著時間的變化而變化。例如:股