動態(tài)環(huán)境中微粒群優(yōu)化算法研究及應(yīng)用.pdf

1、優(yōu)化問題是一個古老而又具有挑戰(zhàn)性的問題,優(yōu)化問題被廣泛的用于科學(xué)研究與工程實踐中.傳統(tǒng)的優(yōu)化方法計算量大、復(fù)雜程度高,難以求解復(fù)雜的優(yōu)化問題,有時無法找到問題的全局最優(yōu)解.采用智能算法解決優(yōu)化問題計算簡單,容易實現(xiàn),因此,將智能算法應(yīng)用于求解優(yōu)化問題已經(jīng)成為一種熱門而且有效的方法.
　　微粒群算法(Particle Swarm Optimization，PSO)是Kennedy和Eberhart受到鳥群覓食行為的啟發(fā)而提出來的一種

2、群體智能優(yōu)化方法.由于微粒群算法計算簡單,易于實現(xiàn),全局收斂能力強和具有魯棒性等優(yōu)點,已經(jīng)成為計算智能領(lǐng)域的研究熱點,并在不斷的研究、改進及應(yīng)用中.
　　隨著研究人員對微粒群優(yōu)化算法的深入研究,該算法已被成功地應(yīng)用于解決靜態(tài)優(yōu)化問題.然而,現(xiàn)實生活中的許多問題是隨著時間和空間的變化而變化的動態(tài)優(yōu)化問題(Dynamic Optimization Problem,DOP),然而,面對這些變化的動態(tài)優(yōu)化問題,要求優(yōu)化算法能夠及時的反應(yīng),

3、快速的跟蹤變化的解.這對于微粒群優(yōu)化算法來說不僅是一個新的研究領(lǐng)域,更是一個挑戰(zhàn).
　　針對以上問題,本文從原理、方法和應(yīng)用三個方面對動態(tài)環(huán)境中的微粒算法進行了研究。論文的主要內(nèi)容包括以下三個部分:
　　1、針對標(biāo)準(zhǔn)微粒群算法容易陷入局部最優(yōu)的不足,提出一種改進的自適應(yīng)微粒群算法.在該算法中,首先找出微粒群中個體的全局最優(yōu)適應(yīng)度值和全局最差適應(yīng)度值,然后基于這兩個值對標(biāo)準(zhǔn)微粒群算法中的“社會”影響部分進行改進,同時針對環(huán)境變

4、化后對環(huán)境變化的響應(yīng)提出一種全新的響應(yīng)方法,最后,通過實驗驗證了該改進算法的有效性。
　　2、針對標(biāo)準(zhǔn)微粒群算法在進化過程中容易失去種群多樣性的問題,將整個種群分成兩個子群,一個子群用來開發(fā)新的搜索區(qū)域?qū)ふ易顑?yōu)解,另一個子群結(jié)合群搜索(Group Search Optimizer，GSO)機制保持種群多樣性,避免算法陷入局部極值.提出了一種能夠在算法執(zhí)行過程中始終保持種群多樣性的微粒群算法,實驗驗證了改進算法具有良好的保持種群多樣