基于多因子慣性權(quán)重的粒子群優(yōu)化算法的研究.pdf

1、自上世紀50年代中期，人工智能的概念被提出之后，無數(shù)出色的信息學家、數(shù)學家和其它相關(guān)學科的學者們都開始致力于人工智能領(lǐng)域的研究和探索。在這樣的大環(huán)境下，智能算法誕生了。智能算法的蓬勃發(fā)展為社會各個領(lǐng)域的優(yōu)化問題提供了更加新穎高效的解決方法。而興起于上世紀90年的群智能優(yōu)化算法的研究，更是成為了智能算法研究領(lǐng)域的重中之重。
　　粒子群優(yōu)化算法（Particle Swarm Optimization，簡稱PSO）是一種基于種群演化的群

2、智能優(yōu)化算法。與其他的群智能算法相比，粒子群優(yōu)化算法最大的優(yōu)勢在于其實現(xiàn)簡單且僅僅有比較少的參數(shù)需要進行調(diào)整。因此，PSO算法吸引了大量的研究者對其進行研究。而如何對PSO算法進行改進，也成為了研究者們共同關(guān)注的焦點。在我改進PSO算法的研究工作中，首先整體論述優(yōu)化問題的意義和智能優(yōu)化算法的概念。然后，介紹一些常見的智能優(yōu)化算法的產(chǎn)生、原理和基本流程。隨后，引出PSO算法的產(chǎn)生過程，并從整體上介紹PSO算法的數(shù)學模型的框架。剖析PSO算

3、法的框架的各個組成部分，認真分析他們對于算法性能的影響，從而總結(jié)出對算法進行優(yōu)化的各種不同的改進方法。之后，重點以慣性權(quán)重策略的改進為切入點，全面的回顧現(xiàn)存的多種慣性權(quán)重策略，并從中吸取經(jīng)驗。然后，分析各種不同的慣性權(quán)重策略對于種群反饋信息的使用方式，并對其進行總結(jié)和抽象，進而提出多元化和層次化的思想。接著，以多元化和層次化的思想為指導，提出一種的基于多因子的自適應慣性權(quán)重策略。并通過一系列的常用的基準函數(shù)對新算法和已有算法進行對比實驗