多模態(tài)優(yōu)化粒子群算法的研究及應用.pdf

1、計算機、電氣以及化工等領域中的許多問題是屬于多模態(tài)類型的，比如模糊系統(tǒng)的參數(shù)設計，這種類型的問題往往存在多種有效的解決方案。SVM是近年來出現(xiàn)的一種比較新穎的學習機器，目前在模式識別領域有很多實際的應用。SVM在數(shù)據(jù)挖掘領域常常用于求解分類問題，而它的懲罰因子以及核函數(shù)參數(shù)的選取對SVM分類器的分類性能有重要影響。SVM參數(shù)的選取也是一個多模態(tài)問題，而目前還沒有完美成熟的理論來指導它的參數(shù)選取，而運用現(xiàn)代智能算法動態(tài)求解是一個比較好的方

2、法。粒子群算法原理簡單，易于實現(xiàn)，運行高效，但是如果直接用于求解多模態(tài)問題會存在諸多困難，比如難以找到多個不同極值，達不到多模態(tài)問題尋優(yōu)要求。針對多模態(tài)尋優(yōu)問題的特點，論文對基本粒子群算法在多個方面輔以一些策略以期能夠求解多模態(tài)尋優(yōu)問題，論文的改進工作主要有:
　　(1)采用不同的社會學習策略，改變基本粒子群算法中僅參考單個最優(yōu)粒子的不足，提高群體的多樣性，避免了群體粒子單一化，搜索易陷于局部極值，導致搜索無法繼續(xù)向前的問題。

3、r>　　(2)新的適應值評估方法，使極值位置具有一樣的適應值，這種評估方法能夠獲知點位置接近極值點的程度，結合第一點改進內容，在理論上能夠提高算法找到所有極值的幾率。為了驗證改進措施的有效性以及算法性能，論文在第2章對8個多模態(tài)函數(shù)進行實驗測試。
　　(3)SVM參數(shù)選取是一個多模態(tài)問題，除此之外它還有一定的特殊性，論文對第2章用于多模態(tài)函數(shù)尋優(yōu)的改進粒子群算法進行適當修改并根據(jù)SVM參數(shù)選取問題的特殊性輔以額外的減值搜索策略以期