自適應(yīng)變異粒子群算法的研究及應(yīng)用.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)是一種基于群體智能的演化計算方法。同其它智能算法比較，PSO算法具有相關(guān)參數(shù)少，收斂速度快，且易于實現(xiàn)等特點。近年來，PSO算法越來越多的被作為一種解決復(fù)雜優(yōu)化問題的方法，已成功應(yīng)用于實際問題中目標函數(shù)優(yōu)化、數(shù)據(jù)分析、人工神經(jīng)網(wǎng)絡(luò)、模式識別等理論和工程領(lǐng)域。但是，隨著求解問題復(fù)雜度增加，現(xiàn)有的PSO算法易陷入局部極值、早熟收斂和計算速度慢等困境，因此對PSO

2、算法改進策略的研究成為國內(nèi)外研究的熱點課題。
　　 本文研究的內(nèi)容主要分為以下三個部分:
　　 首先，針對標準粒子群優(yōu)化算法(Standard Particle Swarm Optimization，SPSO)對局部和全局最優(yōu)位置搜索能力差的問題，提出了自適應(yīng)變異粒子群算法(Adaptive Learning Mutation Particle Swarm Optimization,ALMPSO)，在進化過程中利用調(diào)整學(xué)

3、習(xí)參數(shù)來協(xié)調(diào)粒子的全局與局部搜索能力的自適應(yīng)粒子群(ALPSO)算法中引入基于健康度評定的變異觸發(fā)的算法策略。通過加入變異策略，提高陷入局部極值的種群跳出局部收斂困境的能力，最終提高求得最優(yōu)解的概率和效率。
　　 其次，對于解決高維度大種群情況下的粒子群迭代計算速度過慢的問題，可以采用并行加速的方法?，F(xiàn)代GPU已經(jīng)演變?yōu)橐环N通用的并行處理器，它為實現(xiàn)PSO并行化提供了一條簡捷的途徑?；贕PU高速并行計算框架，本文提出了基于GP

4、U加速的自適應(yīng)變異粒子群優(yōu)化算法(GPU-ALMPSO)，通過利用GPU并行加速能力，可以解決粒子群算法對高維度大種群的迭代求解過程中需要的計算量，提高了算法運行速度。實驗結(jié)果表明，對于求解高維多峰的測試函數(shù)時，該算法具有更好的收斂精度和收斂速度，同時也證明了GPU并行計算是實現(xiàn)PSO并行化的有效方案。
　　 最后，將自適應(yīng)粒子群算法與支持向量機結(jié)合并應(yīng)用到道路限速標志識別的領(lǐng)域，實現(xiàn)了一種自適應(yīng)粒子群優(yōu)化支持向量機對道路限速標