基于梯度搜索的粒子群優(yōu)化算法研究及其應(yīng)用.pdf

1、粒子群優(yōu)化算法(PSO)是一種基于群體智能的優(yōu)化方法。由于該算法簡(jiǎn)單、收斂速度快、易于實(shí)現(xiàn)等特點(diǎn)，目前已廣泛應(yīng)用于解決各種尋優(yōu)問(wèn)題。但是，該算法也存在后期搜索速度慢，過(guò)早收斂，易陷入局部最優(yōu)解、搜索精度不高等缺陷。為了提高種群的收斂速度以及減少盲目搜索，本文將梯度信息引入粒子搜索并自適應(yīng)控制種群多樣性以確保合理的搜索空間，該方法能夠以較大的概率獲取最優(yōu)解。結(jié)合基因表達(dá)譜數(shù)據(jù)，將該基于梯度搜索的PSO用于支持向量機(jī)(SVM)的參數(shù)優(yōu)化并實(shí)

2、現(xiàn)有效分類。本文主要工作包括:
　　 (1)提出一種基于梯度搜索的粒子群優(yōu)化算法。該算法從兩個(gè)方面來(lái)提高粒子群的搜索性能。一方面，在粒子相互吸引過(guò)程中，粒子沿著負(fù)梯度的方向進(jìn)行搜索;并在搜索過(guò)程中，不斷減小粒子的速度，從而增大收斂到全局最優(yōu)點(diǎn)的可能性。另一方面，在粒子的排斥過(guò)程中，粒子散開的速度根據(jù)種群多樣性做自適應(yīng)調(diào)整。該算法在搜索過(guò)程中有效保持種群多樣性從而保證其全局搜索性能;同時(shí)因粒子沿梯度下降的方向進(jìn)行搜索，該算法具有很

3、強(qiáng)的局部搜索能力。在Benchmark函數(shù)的優(yōu)化問(wèn)題的實(shí)驗(yàn)結(jié)果表明這種基于梯度搜索的粒子群優(yōu)化算法比標(biāo)準(zhǔn)粒子群優(yōu)化算法及相關(guān)改進(jìn)有更優(yōu)的收斂性能。
　　 (2)提出將基于梯度搜索的粒子群優(yōu)化算法應(yīng)用于SVM的參數(shù)優(yōu)化的方法，并將該方法應(yīng)用于基因表達(dá)譜數(shù)據(jù)分類。通過(guò)用基于梯度搜索的粒子群優(yōu)化算法優(yōu)化核函數(shù)參數(shù)和懲罰因子的范圍來(lái)提高支持向量機(jī)的分類性能，最后將優(yōu)化后的支持向量機(jī)分類器應(yīng)用于基因表達(dá)譜數(shù)據(jù)分類。仿真結(jié)果表明該優(yōu)化過(guò)的S