自適應的及其基于動態(tài)鄰域的具有量子行為粒子群優(yōu)化算法研究.pdf

1、本文的目的是研究和改進具有量子行為的粒子群算法(Quantum-behavedParticleSwarmOptimization，簡稱QPSO)。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、具有全局收斂性的群體智能算法，并且許多實際應用證明，QPSO的性能遠遠優(yōu)于一般的粒子群算法(ParticleSwarmOptimization-簡稱PSO)和遺傳算法(GA)。因此，本文的研究內(nèi)

2、容對于群體智能的發(fā)展具有一定的學術意義和科研價值。 本文首先介紹了一種群體智能算法--粒子群算法(PSO)，隨后著重闡述了具有量子行為的粒子群優(yōu)化算法理論，介紹了一種新的具有全局收斂性的算法--具有量子行為的粒子群算法(QPSO)。然后將PSO算法與QPSO進行了比較，討論和分析了兩種算法的優(yōu)劣。 在QPSO算法的基礎上，本文提出了兩種改進的具有量子行為的粒子群算法--基于全局層次的自適應具有量子行為的粒子群優(yōu)化算法(A

3、QPSO)和基于動態(tài)鄰域的具有量子行為的粒子群優(yōu)化算法(NQPSO)。前者提出了一種基于全局鄰域的參數(shù)控制方法，在QPSO中引入多樣性控制模型，使PSO系統(tǒng)成為一個開放式的進化粒子群，增強了算法的全局搜索能力；后者是將鄰域拓撲思想和QPSO相結合，在QPSO中引入動態(tài)鄰域結構，使得每個粒子僅與其鄰域內(nèi)的粒子相互交流信息，避免了信息的丟失，從而能有效地保證種群的多樣性。通過使用一些標準的測試函數(shù)對改進算法進行測試，并將測試結果與標準PSO