粒子群優(yōu)化算法的改進(jìn)研究及其應(yīng)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(chǔ)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(fù)雜的多峰函數(shù)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(jìn)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(jìn)的粒子群算法和一類改進(jìn)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(chǎn)生背景，對粒子群算法已有的關(guān)于慣性權(quán)重的改進(jìn)結(jié)果在同一參數(shù)設(shè)置下進(jìn)行了比較，分析了各自的優(yōu)缺點。
　　2.當(dāng)粒子群算法的慣性權(quán)重取線性遞減函數(shù)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(jìn)慣性權(quán)重的PSO，即算法在迭代前期將慣性權(quán)重取為非線性遞減的余弦函數(shù)，在迭代后期將慣性權(quán)重取為較

3、小的隨機值。通過數(shù)值模擬有效地驗證了改進(jìn)算法的有效性。
　　3.當(dāng)粒子群算法的學(xué)習(xí)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(shù)函數(shù)變化的學(xué)習(xí)因子來代替定值的學(xué)習(xí)因子，即算法在迭代前期將學(xué)習(xí)因子c1取為非線性遞減的指數(shù)函數(shù)，c2取較小的隨機值;在迭代后期將學(xué)習(xí)因子c2取為非線性遞增的指數(shù)函數(shù)，c1取較小的隨機值。最后用旅行商問題(Traveling salesman problem，

4、TSP)對改進(jìn)的算法進(jìn)行測試，實驗結(jié)果驗證了改進(jìn)算法的有效性。
　　4.當(dāng)簡化粒子群算法的慣性權(quán)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(quán)重的簡化粒子群算法，即慣性權(quán)重取遞減的指數(shù)函數(shù)來代替定值的慣性權(quán)重。然后用改進(jìn)的簡化粒子群算法求解比例積分微分調(diào)節(jié)器(Proportion integration differentiation，PID)的參數(shù)整定。仿真結(jié)果表明，用改進(jìn)的算法求解出的PID控制