粒子群優(yōu)化算法的性能分析及改進(jìn).pdf

1、隨著人們對(duì)生命本質(zhì)的不斷了解，生命科學(xué)正以前所未有的速度迅猛發(fā)展，使人工智能的研究開始擺脫經(jīng)典邏輯計(jì)算的束縛，大膽探索新的非經(jīng)典計(jì)算途徑。在這種背景下，社會(huì)性動(dòng)物(如蟻群、蜂群、鳥群等)的自組織行為引起人們的廣泛關(guān)注，許多學(xué)者對(duì)這種行為進(jìn)行數(shù)學(xué)建模并用計(jì)算機(jī)對(duì)其進(jìn)行仿真，這就產(chǎn)生了所謂的“群體智能”。社會(huì)性動(dòng)物的妙處在于：個(gè)體的行為都很簡(jiǎn)單，但當(dāng)他們一起協(xié)同工作時(shí)，卻能夠“突現(xiàn)”出非常復(fù)雜(智能)的行為特征。粒子群優(yōu)化算法是起源于對(duì)簡(jiǎn)單

2、社會(huì)系統(tǒng)的模擬，最初是模擬鳥群覓食的過程，是一種基于迭代的優(yōu)化工具。系統(tǒng)初始化為一組隨機(jī)解，通過迭代搜尋最優(yōu)值。目前已廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、數(shù)據(jù)挖掘、模糊系統(tǒng)控制以及其他的應(yīng)用領(lǐng)域。
　　 粒子群優(yōu)化算法在進(jìn)化初期的收斂速度快，因而也容易陷入局部最優(yōu)。它在進(jìn)化的后期收斂速度變慢，并且收斂精度低，若加速系數(shù)或者最大速度的參數(shù)過大，則很容易就錯(cuò)過最優(yōu)解。本文針對(duì)該問題進(jìn)行了研究，包括對(duì)粒子群優(yōu)化算法的改進(jìn)、對(duì)欺騙性問題的

3、分析和解決以及對(duì)粒子群優(yōu)化算法中的參數(shù)提出了新的選取機(jī)制。具體做了以下一些工作：
　　 (1)研究了進(jìn)化算法和群體智能算法的相關(guān)知識(shí)和主要技術(shù)。其中，在群體智能算法中介紹了蟻群算法的基本原理以及它的研究現(xiàn)狀，在進(jìn)化算法中介紹了遺傳算法，并對(duì)進(jìn)化算法和粒子群優(yōu)化算法進(jìn)行了闡述和比較，指出他們的共同點(diǎn)與區(qū)別。
　　 (2)針對(duì)PSO算法進(jìn)化初期收斂速度快，容易陷入局部最優(yōu)；在進(jìn)化的后期收斂速度慢并且收斂精度低的缺陷，同時(shí)為了

4、提高粒子群優(yōu)化算法的收斂速度和全局尋優(yōu)能力，提出了基于正交試驗(yàn)的粒子群優(yōu)化算法OE-PSO。在基本粒子群算法的基礎(chǔ)上，算法OE-PSO對(duì)當(dāng)前搜索到的解進(jìn)行局部尋優(yōu)，利用正交試驗(yàn)設(shè)計(jì)對(duì)搜索空間的分布均勻性，在可行解的鄰域選擇有代表性的解進(jìn)行測(cè)試。算法OE-PSO用搜索到的更好的解在下一次迭代中引導(dǎo)粒子進(jìn)行搜索，從而可獲得更快的收斂速度和質(zhì)量更高的解，同時(shí)避免局部最優(yōu)。我們的實(shí)驗(yàn)結(jié)果表明，算法OE-PSO不但具有較快的收斂速度，而且能夠有效

5、地提高解的精確性，增強(qiáng)算法的魯棒性。
　　 (3)給出粒子群優(yōu)化算法欺騙性問題的兩個(gè)實(shí)例。我們從理論上證明了它們的欺騙性，即證明了在一定的條件下，粒子群優(yōu)化算法(PSO)對(duì)這兩個(gè)問題都不能收斂到全局最優(yōu)解。我們通過實(shí)驗(yàn)驗(yàn)證了上述結(jié)論的正確性。我們還給出了針對(duì)該問題避免欺騙性的方法，并用實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的正確性。
　　 (4)經(jīng)典PSO算法的主要缺點(diǎn)之一是每個(gè)粒子在每次更新迭代過程中過多的重復(fù)計(jì)算過程。在這里，我們提出