多模態(tài)優(yōu)化粒子群算法的研究及應(yīng)用.pdf

1、計(jì)算機(jī)、電氣以及化工等領(lǐng)域中的許多問題是屬于多模態(tài)類型的，比如模糊系統(tǒng)的參數(shù)設(shè)計(jì)，這種類型的問題往往存在多種有效的解決方案。SVM是近年來出現(xiàn)的一種比較新穎的學(xué)習(xí)機(jī)器，目前在模式識(shí)別領(lǐng)域有很多實(shí)際的應(yīng)用。SVM在數(shù)據(jù)挖掘領(lǐng)域常常用于求解分類問題，而它的懲罰因子以及核函數(shù)參數(shù)的選取對(duì)SVM分類器的分類性能有重要影響。SVM參數(shù)的選取也是一個(gè)多模態(tài)問題，而目前還沒有完美成熟的理論來指導(dǎo)它的參數(shù)選取，而運(yùn)用現(xiàn)代智能算法動(dòng)態(tài)求解是一個(gè)比較好的方

2、法。粒子群算法原理簡(jiǎn)單，易于實(shí)現(xiàn)，運(yùn)行高效，但是如果直接用于求解多模態(tài)問題會(huì)存在諸多困難，比如難以找到多個(gè)不同極值，達(dá)不到多模態(tài)問題尋優(yōu)要求。針對(duì)多模態(tài)尋優(yōu)問題的特點(diǎn)，論文對(duì)基本粒子群算法在多個(gè)方面輔以一些策略以期能夠求解多模態(tài)尋優(yōu)問題，論文的改進(jìn)工作主要有:
　　(1)采用不同的社會(huì)學(xué)習(xí)策略，改變基本粒子群算法中僅參考單個(gè)最優(yōu)粒子的不足，提高群體的多樣性，避免了群體粒子單一化，搜索易陷于局部極值，導(dǎo)致搜索無法繼續(xù)向前的問題。

3、r>　　(2)新的適應(yīng)值評(píng)估方法，使極值位置具有一樣的適應(yīng)值，這種評(píng)估方法能夠獲知點(diǎn)位置接近極值點(diǎn)的程度，結(jié)合第一點(diǎn)改進(jìn)內(nèi)容，在理論上能夠提高算法找到所有極值的幾率。為了驗(yàn)證改進(jìn)措施的有效性以及算法性能，論文在第2章對(duì)8個(gè)多模態(tài)函數(shù)進(jìn)行實(shí)驗(yàn)測(cè)試。
　　(3)SVM參數(shù)選取是一個(gè)多模態(tài)問題，除此之外它還有一定的特殊性，論文對(duì)第2章用于多模態(tài)函數(shù)尋優(yōu)的改進(jìn)粒子群算法進(jìn)行適當(dāng)修改并根據(jù)SVM參數(shù)選取問題的特殊性輔以額外的減值搜索策略以期