對粒子群算法的改進及應用.pdf

1、優(yōu)化是化工生產(chǎn)中經(jīng)常碰到的問題，其目的是找到問題的最佳參數(shù)使目標函數(shù)達到最小或最大。而在化工模型的建立過程當中，經(jīng)常需用到各種優(yōu)化方法。 常規(guī)的優(yōu)化問題通常采用局部搜索方法，它們有一個共同的特點就是通過迭代來提高問題域中唯一的候選解。這就決定了常規(guī)方法只能適用于可能解不是非常大的且定義非常明確的問題。而現(xiàn)實中的問題通常都有很大的搜索空間，同時這些問題的定義也不是非常的明確，因此采用常規(guī)的方法要么是解的精度，要么是執(zhí)行的時間，總是

2、不能令人十分滿意。 基于種群的優(yōu)化算法在解決現(xiàn)實問題時展現(xiàn)出強大功能，他們可在合理的時間內逼近問題的最優(yōu)解。粒子群優(yōu)化算法(PSO)是Kennedy和Eberhart源于對鳥群、魚群和人類社會行為的研究而提出的一種新尋優(yōu)技術。PSO兼?zhèn)溥M化算法和群智能的特征，已經(jīng)在數(shù)值優(yōu)化問題中表現(xiàn)出非同尋常的求解能力，從而成為進化尋優(yōu)算法研究的熱點之一，其主要特點為簡單且不需領域知識。與其他進化算法類似，它也需要一個群體，每個個體稱之為粒子。

3、粒子通過自身和群體的最優(yōu)位置來更新其位移和速度，從而在解空間移動。但是，粒子群優(yōu)化算法仍存在易陷入局部最小、且搜索精度不高等缺點。 在本文中，對PSO算法的拓撲結構進行了探討，指出局部模型和馮·諾以曼模型是兩種較優(yōu)的拓撲結構，在今后的應用中，值得進一步的推廣。針對PSO局部搜索能力較差，提出一種混合優(yōu)化算法研究，將模式搜索算法嵌入到PSO算法當中，充分利用PSO的全局搜索能力和模式搜索的局部搜索能力，同時在搜索過程中加入了變異操