粒子群優(yōu)化算法的改進研究及其應用.pdf

1、1995年J.Kennedy和R.C.Eberhart提出了粒子群優(yōu)化算法(Particle swarmoptimization，PSO)。粒子群優(yōu)化算法是在對生物界中鳥群覓食行為研究的基礎上提出的一種全新的智能優(yōu)化算法。由于粒子群算法的初始位置和速度是隨機給出的，所以在求解復雜的多峰函數優(yōu)化問題時，該算法存在解的精度低，收斂速度慢等缺點。本文針對粒子群算法和已有的改進粒子群算法易陷入局部最優(yōu)、解的精度低和收斂速度慢等缺點，提出了兩類改

2、進的粒子群算法和一類改進的簡化粒子群算法。本文主要完成的工作如下:
　　1.簡單地介紹了粒子群算法的由來及產生背景，對粒子群算法已有的關于慣性權重的改進結果在同一參數設置下進行了比較，分析了各自的優(yōu)缺點。
　　2.當粒子群算法的慣性權重取線性遞減函數時，粒子群算法易出現(xiàn)“早熟”和解的精度低等缺點。為了克服此缺點，本文提出了一類改進慣性權重的PSO，即算法在迭代前期將慣性權重取為非線性遞減的余弦函數，在迭代后期將慣性權重取為較

3、小的隨機值。通過數值模擬有效地驗證了改進算法的有效性。
　　3.當粒子群算法的學習因子取定值時，算法容易出現(xiàn)解的精度低和收斂速度慢的缺點。為了克服此缺點，本文提出了一類基于指數函數變化的學習因子來代替定值的學習因子，即算法在迭代前期將學習因子c1取為非線性遞減的指數函數，c2取較小的隨機值;在迭代后期將學習因子c2取為非線性遞增的指數函數，c1取較小的隨機值。最后用旅行商問題(Traveling salesman problem，

4、TSP)對改進的算法進行測試，實驗結果驗證了改進算法的有效性。
　　4.當簡化粒子群算法的慣性權重取定值時，算法容易陷入局部最優(yōu)。為了克服此缺點，本文提出一類非線性遞減慣性權重的簡化粒子群算法，即慣性權重取遞減的指數函數來代替定值的慣性權重。然后用改進的簡化粒子群算法求解比例積分微分調節(jié)器(Proportion integration differentiation，PID)的參數整定。仿真結果表明，用改進的算法求解出的PID控制