混沌粒子群優(yōu)化算法的分析與應(yīng)用.pdf

1、粒子群優(yōu)化(Prticle Swarm Optimization,PSO)算法是由Kennedy和Eberhart于1995年提出的一種基于群體智能的優(yōu)化算法。PSO算法不同于遺傳算法,它是通過群體中的信息共享機(jī)制來完成尋優(yōu)搜索。在這個群體中,個體與群體、個體與個體相互作用,相互影響。PSO算法與遺傳算法、蟻群算法等大多數(shù)進(jìn)化計算方法類似,也是一種基于迭代的優(yōu)化算法。系統(tǒng)初始化為一組隨機(jī)解,然后通過公式迭代來尋找最優(yōu)解。與其他進(jìn)化算法相

2、比,PSO算法的特點主要包括以下幾點:(1)每一個粒子都有一個隨機(jī)的速度,并可以在整個問題空間內(nèi)移動；(2)每個粒子都具有記憶功能；(3)進(jìn)化通過個體與個體之間的競爭與合作實現(xiàn)。PSO算法的優(yōu)點:可并行運(yùn)算、調(diào)整參數(shù)少、優(yōu)化速度快、容易實現(xiàn)。算法的缺點是容易陷入局部極小值點,搜索精度不高。針對這個不足,本文將混沌引入粒子群優(yōu)化算法,并將混沌粒子群優(yōu)化算法用于優(yōu)化問題尋優(yōu)。
　　 混沌是一種普遍的非線性現(xiàn)象,其行為復(fù)雜且類似隨機(jī),

3、但其實有極強(qiáng)的內(nèi)在規(guī)律?；煦缇哂须S機(jī)性,遍歷性和對初值的敏感性。利用混沌的這些特點進(jìn)行優(yōu)化搜索,比隨機(jī)搜索更優(yōu),而且它可以避免算法陷入局部最優(yōu)點,提高算法的計算精度。本文將混沌與粒子群優(yōu)化算法相結(jié)合,使得混沌應(yīng)用于優(yōu)化搜索中,分析了基于Logistic映射的混沌粒子群優(yōu)化算法(CPSO)。通過測試函數(shù)測試算法性能,仿真結(jié)果表明了該算法的有效性和優(yōu)越性。
　　 有限脈沖響應(yīng)數(shù)字濾波器(FIR)的設(shè)計,從本質(zhì)上來講是一個多參數(shù)優(yōu)化問

4、題,因此可以用粒子群優(yōu)化算法實現(xiàn)尋優(yōu)。本文利用混沌粒子群優(yōu)化算法對FIR數(shù)字濾波器作基于均方誤差最小準(zhǔn)則的設(shè)計,并用該方法設(shè)計了一個高通濾波器。與用Parks-McClellan算法設(shè)計得到的高通濾波器進(jìn)行對比,發(fā)現(xiàn)基于混沌粒子群優(yōu)化算法得的FIR濾波器通帶波動小,阻帶衰減大,從而證明了該算法的有效性和優(yōu)越性。
　　 PID控制器具有結(jié)構(gòu)簡單、容易實現(xiàn)、控制效果好、魯棒性強(qiáng)等特點,因此被廣泛使用。PID控制器設(shè)計的關(guān)鍵在于PID