粒子群優(yōu)化算法研究及其在優(yōu)化理論中的應(yīng)用.pdf

1、群集智能是模仿自然、社會等復(fù)雜系統(tǒng)中表現(xiàn)出的群集智能行為而產(chǎn)生的一種新興的演化計算技術(shù)，它為解決復(fù)雜、約束、非線性和多極小等全局優(yōu)化問題提供了新的方法和思路。粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法是群集智能領(lǐng)域一個很重要的分支，該算法最初受到鳥群和魚群等群集活動的規(guī)律性啟發(fā)，通過種群間個體協(xié)作與競爭來實現(xiàn)對問題最優(yōu)解的搜索。PSO算法概念簡單、實現(xiàn)容易、參數(shù)較少、收斂速度較快，已在圖像處理、模式

2、識別、運籌學等眾多領(lǐng)域得到廣泛的應(yīng)用。然而，PSO算法已經(jīng)被Van de Bergh證明不是一種全局收斂算法，從而不能保證粒子搜索到最優(yōu)解。針對這一缺陷，遵循PSO算法的思想，引入量子概念，建立了一個Delta勢阱模型以模擬粒子的學習傾向性，并設(shè)計了一種基于全局水平的參數(shù)控制方法，從而提出了一個全局收斂算法——量子行為粒子群優(yōu)化(Quartrum-behaved Particle Swarm Optimization，QPSO)算法，通

3、過測試函數(shù)結(jié)果表明，其性能遠遠好于PSO算法。 本論文首先闡述了課題的研究背景和意義，接著介紹了與QPSO算法相關(guān)的進化計算和群集智能，并比較了QPSO算法、PSO算法、進化算法和遺傳算法的異同點，顯示出QPSO的優(yōu)勢及研究的必要性，隨后簡單介紹了無免費午餐定理并將其作為本文研究的基礎(chǔ)和指導(dǎo)思想，最后對QPSO算法研究應(yīng)該開展的工作進行了歸納。 本論文對PSO算法及其算法的改進與應(yīng)用的研究現(xiàn)狀進行了介紹，并從確定性角度分

4、析，在保證算法收斂的前提下推導(dǎo)出一些關(guān)于PSO算法參數(shù)的指導(dǎo)性選擇方法。然后針對PSO算法存在的潛在危險特性，引入量子概念，提出了基于Delta勢阱模型的具有量子行為的粒子群優(yōu)化(QDPSO)算法，并對其收斂性、參數(shù)控制等做了詳細的描述；在此基礎(chǔ)上，針對QDPSO算法的重要參數(shù)即創(chuàng)造系數(shù)L的特性，設(shè)計了一種新的基于全局水平的參數(shù)控制方法，從而提出了量子行為粒子群優(yōu)化(QPSO)算法。 本論文針對QPSO算法搜索后期多樣性損失，收

5、斂速度較慢不能有效逃離局部極小點的問題，在算法搜索過程中通過引入柯西變異算子來增加種群多樣性，增強全局搜索能力，在此基礎(chǔ)上進一步對變異算子進行了修正，將柯西變異的尺度參數(shù)采用“基于退火策略”的自適應(yīng)尺度修正方案，增強了算法的智能性；此外，從人工免疫系統(tǒng)的基本原理出發(fā)，提出基于免疫記憶的免疫算子以及基于疫苗接種的免疫算子，利用問題的特征信息有目的地指導(dǎo)算法搜索從而加快了算法收斂速度，同時基于矢量矩方法計算抗體濃度的免疫選擇機制能在搜索過程

6、中綜合考慮粒子適應(yīng)度與濃度的影響，自動對粒子進行調(diào)節(jié)，因此帶免疫算子的QPSO算法不但具有較好的全局搜索能力，而且算法能較好地保證粒子多樣性，在計算后期仍有較強的局部搜索能力，能快速搜索到精度較高的解；然后從混合算法角度，將模擬退火算法作為QPSO算法的選擇機制，提出一種混合優(yōu)化算法，充分利用QPSO算法的全局搜索能力和模擬退火算法的局部搜索能力。 本論文在運用非靜態(tài)多段映射罰函數(shù)法求解帶約束的函數(shù)優(yōu)化問題，和將算法迭代過程中所