改進(jìn)粒子群優(yōu)化算法的研究.pdf

1、粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法是一種基于搜索策略的自適應(yīng)隨機(jī)優(yōu)化算法。由于該算法簡(jiǎn)單有效，自從提出后就得到了廣泛的關(guān)注。但現(xiàn)階段對(duì)PSO算法的研究還不夠完善，算法核心部分的參數(shù)選擇仍然有很大的爭(zhēng)議。目前許多對(duì)算法的改進(jìn)，在提高了算法性能的同時(shí)，也增加了算法的運(yùn)算復(fù)雜度，這不適合于對(duì)算法收斂速度要求較高的應(yīng)用，因此選擇粒子群優(yōu)化算法為研究對(duì)象，找到一種能夠提高算法收斂速度又不增加算法復(fù)雜度

2、的改進(jìn)方法是很有意義的。
　　多目標(biāo)優(yōu)化是優(yōu)化問題的主要研究領(lǐng)域之一，因?yàn)槎嗄繕?biāo)優(yōu)化問題在實(shí)際應(yīng)用中非常普遍。因此，解決多目標(biāo)優(yōu)化問題也是一個(gè)非常有實(shí)際意義和科研價(jià)值的課題。而用傳統(tǒng)方法解決此類問題有很多的限制，但是隨著進(jìn)化算法的發(fā)展，解決多目標(biāo)優(yōu)化問題的多目標(biāo)進(jìn)化算法（MOEA）已取得了較好的研究成果，其中最具代表性的多目標(biāo)進(jìn)化算法包括：NSGA2和SPEA2和MOPSO等。
　　目前國(guó)內(nèi)外已有部分相關(guān)研究成果，但是它們?cè)?/p>

3、解集分布性，收斂性方面仍然存在不足。在吸取已有成果的基礎(chǔ)上，本文針對(duì)單目標(biāo)優(yōu)化和多目標(biāo)優(yōu)化提出了改進(jìn)的具有量子行為的粒子群算法（MDQPSO）和基于擁擠度和動(dòng)態(tài)權(quán)重聚合的多目標(biāo)粒子群優(yōu)化算法（CDDWA-PSO）。其中 MDQPSO算法通過對(duì)一系列的測(cè)試函數(shù)進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果表明該算法在收斂速度和穩(wěn)定性上都較原算法有較大的改善。而CDDWA-PSO算法通過對(duì)三個(gè)典型測(cè)試函數(shù)的仿真，度量該算法的三個(gè)性能指標(biāo)表明，該改進(jìn)算法性能較好，能很好