多階段和多樣性維持的QPSO算法研究及其在系統(tǒng)辨識中的應(yīng)用.pdf

1、群體智能算法是一種進化類算法，是解決優(yōu)化問題特別是復(fù)雜系統(tǒng)優(yōu)化問題的有效手段。而QPSO是一種新的、具有全局收斂性群體智能算法，并且許多實際應(yīng)用證明，QPSO遠遠優(yōu)于一般的粒子群算法(簡稱PSO)。因此，本文的研究內(nèi)容對于群體智能的發(fā)展具有一定的學(xué)術(shù)意義和應(yīng)用價值。 本文首先闡述了一種傳統(tǒng)進化算法一遺傳算法，群體智能算法中的粒子群算法 (PSO) 和具有量子行為粒子群算法 (QPSO)，針對這些算法存在著早熟現(xiàn)象，在QPSO基礎(chǔ)

2、上提出了兩種改進的QPSO算法一具有多群體的量子粒子群算法(簡稱 MQPSO ) 和維持粒子多樣性的量子粒子群算法(簡稱DMQPSO)。 在MQPSO中，引入了多階段和多種群機制，通過多個粒子群體以不同的搜索階段，即收斂和擴張兩個階段使得算法能夠持續(xù)地搜索解空間從而提高了算法的全局收斂能力有效地避免了早熟的發(fā)生。在DMQPSO中，引入了一種基于歐幾里德距離的多樣性測度方法以評價QPSO中粒子群的多樣性。同時對粒子群的多樣性設(shè)置閾

3、值，當(dāng)多樣性低于該閾值時，采用一種變異操作以提高群體的多樣性。這樣通過保持粒子群的多樣性使算法能在一定的多樣性水平下有持續(xù)的全局搜索能力，從而也能夠有效地避免早熟。 本文還研究了粒子群算法(PSO)和具有量子行為粒子群算法(QPSO)在系統(tǒng)辨識中的應(yīng)用。系統(tǒng)辨識是控制理論設(shè)計的基礎(chǔ)?；赑SO算法和QPSO算法的系統(tǒng)辨識方法，是將辨識問題轉(zhuǎn)化為參數(shù)空間上的優(yōu)化問題，利用PSO或QPSO算法對整個參數(shù)空間進行高效并行搜索以獲得系統(tǒng)

4、參數(shù)的最優(yōu)估計。 通過對幾個常用的標(biāo)準測試函數(shù)的測試表明，MQPSO和DMQPSO算法無論是算法的性能和算法的穩(wěn)定性都優(yōu)于QPSO和PSO算法，因此可以得出結(jié)論：MQPSO和DMQPSO算法所引入的改進方法能有效地提高QPSO算法的全局收斂能力，是解決算法早熟問題的有效途徑。 同時，對幾個常用的系統(tǒng)辨識問題的仿真結(jié)果表明，在相同迭代次數(shù)和粒子群規(guī)模的前提下，QPSO算法能夠找到比PSO算法更優(yōu)的參數(shù)，因此，QPSO算法將