資源描述：
《粒子群優(yōu)化算法的改進(jìn)及其應(yīng)用研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、分類號：TP18密級：不保密UDC：519.8學(xué)校代碼：11065碩士學(xué)位論文粒子群優(yōu)化算法的改進(jìn)及其應(yīng)用研究鄭偉博指導(dǎo)教師張紀(jì)會教授學(xué)科專業(yè)名稱系統(tǒng)理論論文答辯日期2016年6月3日摘要粒子群優(yōu)化（ParticleSwarmOptimization,PSO）算法是一種模擬鳥群捕食行為的群體智能算法，一經(jīng)提出就受到國內(nèi)外學(xué)者的廣泛關(guān)注。經(jīng)過20多年來的發(fā)展，PSO算法在多模態(tài)函數(shù)優(yōu)化、組合優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等方面應(yīng)用越來越廣泛，成為解決工程管理領(lǐng)域大規(guī)模最優(yōu)化和決策問題的有力工具。2004年孫俊提出了量子行為粒子群優(yōu)化（QuantumBeh
2、avedParticleSwarmOptimization,QPSO）算法。與標(biāo)準(zhǔn)PSO算法相比，該算法在高維多模態(tài)函數(shù)優(yōu)化方面具有很好的全局搜索能力，但是它的局部搜索能力較差。因此，結(jié)合Nelder-Mead單純形法，提出了一種改進(jìn)的量子行為粒子群優(yōu)化算法——NM-QPSO。研究了該算法的基本原理、給出了算法流程并采用正交試驗(yàn)的方式獲得了一套通用性較強(qiáng)的算法參數(shù)。并以CEC’13的28個(gè)測試函數(shù)作為測試集，采用Wilcoxon符號秩檢驗(yàn)將NM-QPSO算法分別與PSO算法和QPSO算法進(jìn)行了比較試驗(yàn)。試驗(yàn)表明，NM-QPSO算法在統(tǒng)計(jì)意義
3、上優(yōu)于傳統(tǒng)的PSO算法和QPSO算法，并且在高維函數(shù)優(yōu)化中，具有顯著優(yōu)勢。由于傳統(tǒng)的PSO算法在離散空間的優(yōu)化問題上效果欠佳，因此進(jìn)一步探討了離散的PSO優(yōu)化算法，給出了一種基于量子旋轉(zhuǎn)門更新粒子位置的離散量子粒子群優(yōu)化（DQPSO）算法。將該算法應(yīng)用于多配送中心選址問題，并進(jìn)行了計(jì)算機(jī)仿真試驗(yàn)。試驗(yàn)表明，DQPSO算法顯著優(yōu)于貪婪算法和遺傳算法。關(guān)鍵詞：最優(yōu)化問題；粒子群算法；量子優(yōu)化算法；選址問題；離散粒子群優(yōu)化AbstractParticleSwarmOptimization(PSO)algorithmisaswarmintellig
4、entalgorithmwhichimitatesthebehaviorofbirds’foraging.Oncebeenproposed,PSOalgorithmhasgainedextensiveattentionbothofdomesticandoverseasscholarsinmanyresearchfields.Aftermorethan20yearsofdevelopment，PSOalgorithmwasmoreandmorewidelyusedinthefieldsofmultimodalfunctionoptimizat
5、ion,combinationoptimization,neuralnetworktrainingandsoon.SunJunproposedaQuantumBehavedParticleSwarmOptimization(QPSO）in2004.Thisalgorithmhasapowerfulglobalsearchabilitybutpooratlocalsearchintheoptimizationofhighdimensionalmultimodalfunctions.So,combinedtheNelderMeadSimplex
6、algorithmandQPSO,weproposedanimprovedquantumbehavedparticleswarmoptimizationalgorithm(NM-QPSO).ThispaperstudiesthefundamentalsandbasicprocedureofNM-QPSO.Anorthogonalexperimentforparameterselectionwasdesignedtoselectasetofreasonablecontrolparameters.Asuiteof28testfunctionsf
7、romCEC’13wasusedtodonumericalexperiments.NM-QPSOwascomparedwithbothoftraditionalPSOandQPSObyusingtheWilcoxonsignedrankstest.SimulationresultsshowthattheNM-QPSOalgorithmhasbetterperformancethanbothofthetraditionalPSOandQPSOalgorithmsinastatisticalsense,andithasobviousadvant
8、agesinhigh-dimensionalfunctionoptimizationproblems.BecauseoftraditionalPSOalgorithmhaveap
