粒子群優(yōu)化算法的研究及其應用.pdf

1、作為一種新興演化計算技術,群智能已成為新的研究熱點。已完成的理論和應用研究證明群體智能方法是一種能夠有效解決大多數(shù)全局優(yōu)化問題的新方法。更為重要的是,群智能的潛在并行性和分布式特點為處理大量的以數(shù)據(jù)庫形式存在的數(shù)據(jù)提供了技術保證。與傳統(tǒng)的優(yōu)化算法相比,粒子群算法在多維函數(shù)尋優(yōu)、動態(tài)目標尋優(yōu)等方面有著收斂速度快、解質量高、魯棒性好等優(yōu)點,特別適合機械工程應用。由于粒子群算法在進化后期存在搜索速度較慢,容易陷入局部最優(yōu)點以及搜索到解的時間較

2、長且精度不高的缺點,所以對算法進行改進的研究就成為一個必要的課題。 本文主要進行了兩大部分內容的研究： 針對慣性線性遞減粒子群算法不能適應復雜的非線性優(yōu)化搜索過程的問題,提出了兩種改進的粒子群算法。一種動態(tài)慣性權值的粒子群優(yōu)化算法(DIPSO)中,引入了進化速度因子和聚集度因子這兩個參數(shù)。對于求最小值的優(yōu)化問題：進化速度因子越小,表明進化速度越快,算法可以在較大的搜索空間內持續(xù)搜索,可以減小慣性權重的值,使得粒子群在小范

3、圍內空間搜索,以便更快的找到最優(yōu)解。若粒子較分散,粒子就不易陷入局部最優(yōu)解,隨著粒子群的聚集程度的提高,算法容易陷入局部最優(yōu)解,此時,應增大慣性權重,這樣就增加了粒子群的搜索空間,提高粒子群的全局尋優(yōu)能力。那么,改進算法的慣性權重就可以表示為進化速度因子和聚集度因子的函數(shù)。在每次迭代時算法可根據(jù)當前粒子群進化速度因子和聚集度因子動態(tài)的改變慣性權值,從而使算法具有動態(tài)自適應性。在一種自適應隨機慣性權值的粒子群優(yōu)化算法(ARIWPSO)中,