資源描述：
《基于粒子群算法的函數(shù)優(yōu)化問題研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、本科畢業(yè)設(shè)計(論文)基于粒子群算法的函數(shù)優(yōu)化問題研究院（系）：理學(xué)院專業(yè)：信息與計算科學(xué)2011年6月目錄附錄1畢業(yè)設(shè)計（論文）開題報告附錄2西安工業(yè)大學(xué)畢業(yè)設(shè)計（論文）開題報告檢查表附錄3畢業(yè)設(shè)計（論文）中期報告附錄4西安工業(yè)大學(xué)畢業(yè)設(shè)計（論文）工作中期檢查表附錄5西安工業(yè)大學(xué)畢業(yè)設(shè)計（論文）指導(dǎo)教師評分表附錄6西安工業(yè)大學(xué)畢業(yè)設(shè)計（論文）評閱教師評分表附錄7西安工業(yè)大學(xué)畢業(yè)設(shè)計（論文）答辯暨綜合評分表畢業(yè)設(shè)計(論文)開題報告基于粒子群算法的函數(shù)優(yōu)化問題研究院（系）數(shù)理系專業(yè)信息與計算科學(xué)班級07100
2、1姓名張磊學(xué)號071001120導(dǎo)師過曉芳2011年2月28日1．畢業(yè)設(shè)計（論文）綜述（題目背景、研究意義及國內(nèi)外相關(guān)研究情況）1.1題目背景：1986年CraigReynolds提出了Bold（Bird-oid）模型。該模型用來模擬鳥群聚集飛行的行為，提出了群體中個體飛行的三個原則：(1)遠(yuǎn)離最近的鄰居；(2)向目標(biāo)靠近；(3)向群體中心靠近；群中的任何個體在飛行時都遵循以上三條規(guī)則。之后，F(xiàn)rankHeppner在Bold模型的基礎(chǔ)上又加入了棲息地的仿真條件，即鳥群的活動范圍不會越出棲息地。受到Bol
3、d（Bird-oid）模型的啟發(fā)，1995年Kennedy和Eberhart通過模擬鳥群覓食過程中的遷徙和群聚行為而提出的一種基于群體智能的全局隨機搜索算法，粒子群優(yōu)化(ParticleSwarmOptimization,PSO)算法。1995年IEEE國際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會議發(fā)表了題為“ParticleSwarmOptimization”的論文，標(biāo)志著PSO算法誕生。Kennedy和Eberhart認(rèn)為鳥之間存在著相互交換的信息，于是他們在仿真中增加了一些內(nèi)容：每個個體能夠通過一定得規(guī)則估計自身位置的適應(yīng)值
4、；每個個體都能夠記住自己當(dāng)前所找好的最好位置，稱為“局部最優(yōu)pbest”；此外還記住了群體中所有鳥中找到的最好位置，稱為“全局最優(yōu)gbest”。這兩個最優(yōu)變量使得鳥在某種程度上朝這些方向靠近。PSO算法具有很好的生物社會背景而易理解、參數(shù)少而易實現(xiàn)，對非線性、多峰問題均具有較強的全局搜索能力，在科學(xué)研究與工程實踐中得到了廣泛的關(guān)注。1.2研究意義：大量的問題最終可歸結(jié)為函數(shù)的優(yōu)化問題，通常這些函數(shù)是非常復(fù)雜的，主要表現(xiàn)為規(guī)模大，維數(shù)高，非線性，非凸和不可微等特性，而且有的函數(shù)存在大量局部極小。許多傳統(tǒng)確定
5、性優(yōu)化算法收斂速度較快，計算精度高，但對初值敏感，易陷入局部最小。而一些具有全局性的優(yōu)化算法，如遺傳算法，進化規(guī)劃等，受限于各自的機理和單一結(jié)構(gòu)，對于高維復(fù)雜函數(shù)難以實現(xiàn)高效優(yōu)化。PSO算法通過改進或結(jié)合其他算法，對高維復(fù)雜函數(shù)可以實現(xiàn)高效優(yōu)化。粒子群算法的優(yōu)勢在于算法的簡潔性，易于實現(xiàn)，沒有很多的參數(shù)需要調(diào)整，且不需要梯度信息，所以對不連續(xù)函數(shù)或者多峰函數(shù)有較強的全局搜索能力，適合解決這一類函數(shù)的優(yōu)化問題。與遺傳算法比較，粒子群優(yōu)化算法的信息共享機制是很不同的。在遺傳算法中，染色體互相共享信息，所以整個
6、種群的移動是比較均勻的向最優(yōu)區(qū)域移動。在粒子群優(yōu)化算法中,只有g(shù)Best給出信息給其他的粒子，這是單向的信息流動。整個搜索更新過程是跟隨當(dāng)前最優(yōu)解的過程。與遺傳算法比較,在大多數(shù)的情況下，所有的粒子可能更快的收斂于最優(yōu)解。目前PSO已經(jīng)廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制以及其他遺傳算法的應(yīng)用領(lǐng)域。PSO最初應(yīng)用到神經(jīng)網(wǎng)絡(luò)訓(xùn)練上，在隨后的應(yīng)用中，PSO可以確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。作為演化神經(jīng)網(wǎng)絡(luò)的例子，Eberhart已經(jīng)成功用PSO來分析人類帕金森綜合癥等顫抖類疾病，Parsopoulos將PSO
7、用于解決多目標(biāo)優(yōu)化問題、最小最大化問題、整數(shù)規(guī)劃問題和定位所有全局極值等問題。一般說來，PSO比較有潛力的應(yīng)用包括系統(tǒng)設(shè)計、多目標(biāo)優(yōu)化、分類、模式識別、調(diào)度、信號處理、決策機器人應(yīng)用等。其中具體的應(yīng)用實例有：模糊控制器設(shè)計、車間作業(yè)調(diào)度、機器人實時路徑規(guī)劃、自動目標(biāo)檢測等。1.3國內(nèi)外研究情況：雖然近年來PSO算法在國內(nèi)外發(fā)展迅速并取得了可觀的研究成果,但其理論基礎(chǔ)仍相對薄弱，尤其是算法基本模型中的參數(shù)設(shè)置和優(yōu)化問題還缺乏成熟的理論論證和研究。鑒于PSO的發(fā)展歷史尚短，它在理論基礎(chǔ)與應(yīng)用推廣上都還存在一些
8、缺陷，有待解決，在以下方面仍然值得進一步研究：(1)理論研究：雖然目前對PSO穩(wěn)定性和收斂性的證明已取得了一些初步成果，但自誕生以來其數(shù)學(xué)基礎(chǔ)一直不完備，特別是收斂性一直沒有得到徹底解決。因此，仍需要對PSO的收斂性等方面進行進一步的理論研究。(2)控制參數(shù)自適應(yīng)：雖然對PSO參數(shù)的改進策略等方面已取得了一定進展，但仍然有很大的研究空間；特別是如何通過對參數(shù)自適應(yīng)調(diào)節(jié)以實現(xiàn)“探索”與“開發(fā)”之間的平衡、以及“nearerisb
