面向動態(tài)環(huán)境的粒子群算法研究.pdf

1、粒子群算法（Particle Swarm Optimization, PSO）是一種基于群體智能的優(yōu)化方法，由Kennedy和Eberhart 于1995年提出。由于其具有快速收斂和易于實現(xiàn)等特點，因此粒子群算法在智能計算、任務調(diào)度、交通優(yōu)化、電信路由、電路設計等多個領域得以廣泛應用，成為計算智能領域研究的新熱點。
　　 雖然粒子群算法及其眾多的改進算法已經(jīng)被成功地運用到一些靜態(tài)問題的優(yōu)化上，但是，很多現(xiàn)實問題往往是隨時間變化而

2、變化的，這些動態(tài)變化的問題要求算法能夠?qū)Νh(huán)境的變化快速反應，對變化的最優(yōu)解快速跟蹤。這給粒子群算法以及整個演化計算方法帶來了新的挑戰(zhàn)。
　　 本文從理論、方法和應用三個方面對動態(tài)環(huán)境下粒子群算法進行研究。論文內(nèi)容主要包括以下三個部分：
　　 第一部分旨在對粒子的運動行為和粒子群算法的收斂性進行分析。首先構造李雅普諾夫函數(shù)，對單個粒子的運動行為進行了分析，給出了粒子運動穩(wěn)定的條件。然后利用隨機過程理論，證明了粒子位置序列均

3、方穩(wěn)定。在對單個粒子運動行為分析的基礎上，分析了粒子群體運動行為，證明了群體運動的穩(wěn)定性。最后從隨機優(yōu)化算法收斂性判定標準入手，分析了粒子群算法的收斂性，提出了一種保證全局收斂的改進粒子群算法，通過對基準測試函數(shù)仿真，驗證了改進算法的有效性。
　　 第二部分主要研究了如何利用改進粒子群算法解決動態(tài)環(huán)境下單目標、多目標和高維優(yōu)化問題。
　　 對于動態(tài)單目標優(yōu)化問題的研究，本文首先對環(huán)境的變化模式進行了數(shù)學描述，分析了粒子群

4、算法無法有效對動態(tài)問題優(yōu)化的原因，然后提出了一種基于柯西變異和斥力勢場的多粒子群改進算法，定量分析了柯西變異優(yōu)于其它變異的原因。對動態(tài)基準測試函數(shù)的仿真表明，改進算法能夠?qū)討B(tài)環(huán)境下變化的極值點進行有效跟蹤。
　　 對于動態(tài)多目標優(yōu)化問題的研究，本文首先對動態(tài)多目標優(yōu)化問題的定義進行了描述，分析了算法的性能評價標準，在此基礎上，提出了一種基于多種群協(xié)同優(yōu)化的粒子群算法，并從理論上證明了多種群協(xié)同搜索優(yōu)于單種群獨自搜索。
　

5、　 改進算法采用了競爭模式和協(xié)作模式自適應切換的方法對Pareto 前端和Pareto 最優(yōu)解集進行跟蹤。競爭模式采用了隱式空間分解，主要目的是對整個解空間進行勘探，進行粗粒度的搜索，在競爭產(chǎn)生非支配解集失效后，多種群進行協(xié)作搜索，協(xié)作搜索采用顯式空間分解，其主要目的是對局部搜索空間開采，進行精度搜索。
　　 通過對動態(tài)多目標測試函數(shù)仿真，驗證了改進算法可以對變化的Pareto 前端和Pareto 最優(yōu)解集快速跟蹤。
　

6、　 對于動態(tài)高維優(yōu)化問題的研究，首先分析了高維優(yōu)化問題難以優(yōu)化的原因，并提出了一種基于局部極值點維度自適應學習的粒子群改進算法，隨后通過對高維測試函數(shù)的仿真，驗證了改進算法的有效性。
　　 第三部分對垃圾焚燒系統(tǒng)PID 控制器參數(shù)自適應整定進行了研究。垃圾焚燒系統(tǒng)由于系統(tǒng)噪聲、設備折舊等因素的影響，系統(tǒng)參數(shù)容易發(fā)生變化，因此可以看成動態(tài)系統(tǒng)的PID 控制器的參數(shù)要不斷進行調(diào)整。本部分首先定義了一個包含系統(tǒng)超調(diào)量、上升時間和穩(wěn)態(tài)