粒子群算法在復雜函數(shù)優(yōu)化中的學習策略及其改進

《粒子群算法在復雜函數(shù)優(yōu)化中的學習策略及其改進》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、分類號______________________________密級______________________________ＵＤＣ______________________________編號______________________________碩士學位論文粒子群算法在復雜函數(shù)優(yōu)化中的學習策略及其改進學位申請人：王博建學科領(lǐng)域：計算機軟件與理論校內(nèi)導師：夏學文副教授答辯日期：獨創(chuàng)性聲明本人鄭重聲明：所呈交的學位論文是我個人在導師指導下進行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標注和致謝的地方外，論文中不包含其他人

2、已經(jīng)發(fā)表和撰寫的研究成果，也不包含為獲得華東交通大學或其他教育機構(gòu)的學位或證書所使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均已在論文中作了明確的說明并表示了謝意。本人簽名_______________日期____________關(guān)于論文使用授權(quán)的說明本人完全了解華東交通大學有關(guān)保留、使用學位論文的規(guī)定，即：學校有權(quán)保留送交論文的復印件，允許論文被查閱和借閱。學?？梢怨颊撐牡娜炕虿糠謨?nèi)容，可以采用影印、縮印或其他復制手段保存論文。保密的論文在解密后遵守此規(guī)定，本論文無保密內(nèi)容。學生本人簽名日期校內(nèi)導師簽名日期校外導師簽名日期摘要

3、粒子群算法在復雜函數(shù)優(yōu)化中的學習策略及其改進摘要粒子群優(yōu)化算法（ParticleSwarmOptimization，PSO）是近年來被廣為關(guān)注和研究的一種群智能優(yōu)化算法，以算法參數(shù)少，求解過程簡單，尋優(yōu)效果優(yōu)良等優(yōu)點得到了較多的認可和應用。然而現(xiàn)有的一些PSO算法在面對更為復雜的優(yōu)化問題時，如多峰函數(shù)優(yōu)化問題以及大規(guī)模函數(shù)優(yōu)化問題，往往難以兼顧種群多樣性和收斂精度，存在早熟收斂、易陷入局部極值等問題，將其應用于實際工程問題還存在很多值得改進和提高之處。本文在前人相關(guān)研究成果的基礎(chǔ)上，針對粒子群早熟收斂，易陷入局部最優(yōu)等問題提出了一些改進方法，

4、主要工作如下：1、提出一種自適應性多種群的粒子群算法。在該算法中，我們引入一種種群自適應重組策略來保持種群多樣性，避免種群過快陷入早熟收斂；同時，引入一種基于種群歷史信息指導的探測策略來增加種群逃離局部最優(yōu)的能力；最后通過引入兩種局部搜索策略來提高種群收斂速度及開采精度。實驗結(jié)果表明，改進算法有效地改善了PSO算法在進化過程中易早熟收斂、陷入局部極值等問題。2、提出一種基于多層次適應與有目的探測的精密粒子群算法。該算法中，粒子不僅依據(jù)其適應度景觀更新其學習模型，并且周期性地重新選擇鄰居粒子的某些維度進行學習。同時，引入一種基于種群歷史信息的禁

5、忌探測操作和一種簡易局部搜索策略來提升種群跳出局部最優(yōu)的能力并提高求解精度。仿真實驗表明，該算法不僅在單峰函數(shù)、多峰函數(shù)上有較好表現(xiàn)，同時在大規(guī)模問題以及某些實際應用問題中也表現(xiàn)出較好的性能。關(guān)鍵詞：粒子群算法，多種群，自適應性，多層次適應，探測操作，局部搜索IAbstractTHELEARNINGSTRATEGYOFPARTICLESWARMOPTIMIZATIONINCOMPLEXFUNCTIONOPTIMIZATIONANDITSIMPROVEMENTABSTRACTParticleSwarmOptimizationalgorithm(

6、PSO)isanintelligentoptimizationwhichhasbeenwidelyconcernedandstudiedinrecentyears.Withfewparameters,simpleprocessandgoodsearchresults,ithasgainedmorerecognitionandapplication.However,someexistingPSOalgorithmsareoftendifficulttobalancethepopulationdiversityandconvergenceaccu

7、racy,andeasilytrappedinlocaloptimum,especiallyincomplexmultimodalfunctionandlargescalefunctionoptimization.Therearealotofproblemstoimprove,whenitisappliedinrealworldproblems.Onthebasisofpreviousresearchresults,thispaperproposesomeimprovedmethodsfortheproblemofprematureconve

8、rgenceandeasytogetintolocaloptimization.Themainworkareasfollows:1.Thispaperpropose