粒子群算法的改進(jìn)及其在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)是由Kennedy 博士和Eberhart 博士在1995年提出的算法，該算法是一種新穎的仿生優(yōu)化算法，由于粒子群優(yōu)化算法的基本原理簡(jiǎn)單、實(shí)現(xiàn)操作簡(jiǎn)單，必須設(shè)置的參數(shù)不多，因此得到了廣泛的認(rèn)同和關(guān)注，而且已被應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)控制等多個(gè)領(lǐng)域。
　　 本文首先分析了研究粒子群優(yōu)化算法的重要意義，接著從PSO 算法的基本結(jié)構(gòu)、算法基本原理

2、、改進(jìn)的方法、實(shí)現(xiàn)的模式及應(yīng)用的領(lǐng)域等方面做了較深入的系統(tǒng)的研究工作。本文的主要研究成果可歸納如下：
　　 1.針對(duì)PSO 算法在進(jìn)化搜索過(guò)程中常常因?yàn)榉N群的多樣性減少的太快，造成PSO 算法過(guò)早收斂，導(dǎo)致發(fā)生PSO 算法尋找全局最優(yōu)解的性能較差的問(wèn)題，提出了一種改進(jìn)的粒子群優(yōu)化算法，在該算法中采用了動(dòng)態(tài)調(diào)整的學(xué)習(xí)因子和基于粒子飛行坐標(biāo)調(diào)整的慣性權(quán)重，并充分體現(xiàn)了勞動(dòng)分工的思想，達(dá)到了增加種群多樣性的目的。實(shí)驗(yàn)結(jié)果證明，該算法能

3、夠有效地避免種群早熟收斂，提高了算法的收斂解的精度。
　　 2.PSO 算法中，粒子僅僅吸取個(gè)體經(jīng)驗(yàn)信息和群體經(jīng)驗(yàn)信息來(lái)搜索解空間以得到全局最優(yōu)解，因此，粒子所獲取的經(jīng)驗(yàn)信息量不足以克服PSO 算法早熟收斂的缺點(diǎn)。本文提出了另一種改進(jìn)粒子群優(yōu)化算法，該算法在粒子的速度公式中添加了附加的經(jīng)驗(yàn)信息，以達(dá)到增加粒子個(gè)體自身所獲得的經(jīng)驗(yàn)信息量的目的，并且依據(jù)粒子的速度變化情況和粒子之間匯集程度來(lái)調(diào)整慣性權(quán)重，實(shí)驗(yàn)證明，該算法能夠穩(wěn)定地、

4、有效地收斂到精度較高的最優(yōu)解。
　　 3.BP (Back Propagation)算法是用于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的一種學(xué)習(xí)算法，但是其具有訓(xùn)練速度慢、易陷入局部極小和全局搜索能力弱等不足。本文將提出的兩種改進(jìn)粒子群優(yōu)化算法用于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，通過(guò)實(shí)驗(yàn)對(duì)比分析，證明了改進(jìn)粒子群優(yōu)化算法在訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)時(shí)可以有效克服BP 算法所存在的不足。
　　 總之，論文對(duì)粒子群優(yōu)化算法做了較為全面深入的分析與討論，不僅提出了兩種有效的