混合粒子群協(xié)同優(yōu)化算法及其應(yīng)用研究.pdf

1、在科學技術(shù)研究中，很多計算問題都可以歸結(jié)為具有非線性和多峰特性目標函數(shù)的全局優(yōu)化問題，高效求得此類問題的全局最優(yōu)解一直是優(yōu)化計算領(lǐng)域的研究方向。粒子群優(yōu)化(Particle Swarms Optimization，PSO)算法是應(yīng)用于求解此類問題的一種有效方法，與其它優(yōu)化算法相比，它的優(yōu)點突出。雖然PSO算法在很多問題中已得到成功應(yīng)用，但仍存在早熟收斂導(dǎo)致的局部收斂速度慢，計算精度不高等問題，進一步提高PSO算法的計算性能已是當前研究的

2、熱點。
　　 本文在深入研究粒子群優(yōu)化算法的基礎(chǔ)上，從提升其計算性能入手，提出了若干改進的粒子群優(yōu)化算法，相應(yīng)得到了較高的優(yōu)化性能；在算法混合思想指導(dǎo)下，重點提出了兩種混合粒子群協(xié)同優(yōu)化算法，取得了更為全面的計算性能。并成功應(yīng)用優(yōu)化算法精確、高效地解決了氧化鋁生產(chǎn)工藝過程的物料平衡計算難題。論文主要包括如下研究內(nèi)容：
　　 綜合表述了PSO算法產(chǎn)生背景及其國內(nèi)外研究與應(yīng)用現(xiàn)狀，并對標準PSO算法結(jié)構(gòu)特性和計算過程進行必要

3、分析。
　　 論文以提高粒子在解空間中的探索能力來提升PSO算法的全局收斂性能，定義了平穩(wěn)度和聚集度的概念，提出了三種改進的粒子群優(yōu)化算法。①基于空間變異的粒子群優(yōu)化算法（SM-PSO）。在最優(yōu)解的搜索過程中，根據(jù)群體適應(yīng)度變化情況，通過自適應(yīng)調(diào)整搜索空間來提高粒子群的局部尋優(yōu)效率和全局尋優(yōu)性能，以提高搜索速度和成功率。其中證明了算法收斂性。②具有加速因子的粒子群優(yōu)化算法（AF-PSO）。根據(jù)粒子的運動軌跡，對粒子的速度進行動態(tài)

4、調(diào)整，從而通過改進粒子的空間探索能力來提高算法的收斂速度。其中對算法的收斂性進行了證明，并給出了有關(guān)參數(shù)選取的指導(dǎo)性原則。③具有隨機變異特性的改進型粒子群算法（AM-PSO）。該算法克服了標準粒子群算法后續(xù)迭代過程速度慢且易陷入局部最優(yōu)解的缺點。在迭代過程中，粒子的變異概率取決于粒子的適應(yīng)度值以及當前所有粒子的聚集度和平穩(wěn)度，通過變異，粒子可有效地探索新的空間領(lǐng)域，從而可以有效地避免陷入局部最優(yōu)解。通過大量實驗仿真以及在激光焊接質(zhì)量檢測

5、中的實際工程應(yīng)用對三種改進方法分別進行了性能對比分析與討論。
　　 對于復(fù)雜的優(yōu)化問題，算法在解空間中的探測和開發(fā)能力往往單靠某一種算法在整體計算性能上很難得到全面有效利用與平衡，從而影響算法的整體求解精度和效率。對此，本文提出并實現(xiàn)了由粒子群優(yōu)化算法作主導(dǎo)框架，將其它優(yōu)化算法中某些優(yōu)良計算特性與機制融入其中的兩種混合粒子群協(xié)同優(yōu)化算法(SASM-PSCO和CSM-PSCO)。它們既保留了粒子群優(yōu)化算法原有的優(yōu)點，其不足之處則被

6、其它算法的優(yōu)點所彌補，諸如模擬退火法中具有的突跳性，單純形算法的快速收斂性，混沌運動的強隨機性和遍歷性等。仿真測試及工程應(yīng)用結(jié)果表明，兩種混合粒子群協(xié)同優(yōu)化算法具有較為全面的優(yōu)化計算整體性能。文中討論了各種被引入的優(yōu)化算法與粒子群優(yōu)化算法的融合方法與步驟問題，并給出了混合粒子群協(xié)同優(yōu)化算法的收斂性定理證明。
　　 在簡要分析和討論拜耳法氧化鋁生產(chǎn)的基本原理和生產(chǎn)工藝流程基礎(chǔ)上，針對實際工程應(yīng)用中不同的生產(chǎn)工藝給出了拜耳法物料平衡