粒子群優(yōu)化算法研究及其在優(yōu)化理論中的應用.pdf

1、群集智能是模仿自然、社會等復雜系統(tǒng)中表現(xiàn)出的群集智能行為而產(chǎn)生的一種新興的演化計算技術，它為解決復雜、約束、非線性和多極小等全局優(yōu)化問題提供了新的方法和思路。粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法是群集智能領域一個很重要的分支，該算法最初受到鳥群和魚群等群集活動的規(guī)律性啟發(fā)，通過種群間個體協(xié)作與競爭來實現(xiàn)對問題最優(yōu)解的搜索。PSO算法概念簡單、實現(xiàn)容易、參數(shù)較少、收斂速度較快，已在圖像處理、模式

2、識別、運籌學等眾多領域得到廣泛的應用。然而，PSO算法已經(jīng)被Van de Bergh證明不是一種全局收斂算法，從而不能保證粒子搜索到最優(yōu)解。針對這一缺陷，遵循PSO算法的思想，引入量子概念，建立了一個Delta勢阱模型以模擬粒子的學習傾向性，并設計了一種基于全局水平的參數(shù)控制方法，從而提出了一個全局收斂算法——量子行為粒子群優(yōu)化(Quartrum-behaved Particle Swarm Optimization，QPSO)算法，通

3、過測試函數(shù)結果表明，其性能遠遠好于PSO算法。 本論文首先闡述了課題的研究背景和意義，接著介紹了與QPSO算法相關的進化計算和群集智能，并比較了QPSO算法、PSO算法、進化算法和遺傳算法的異同點，顯示出QPSO的優(yōu)勢及研究的必要性，隨后簡單介紹了無免費午餐定理并將其作為本文研究的基礎和指導思想，最后對QPSO算法研究應該開展的工作進行了歸納。 本論文對PSO算法及其算法的改進與應用的研究現(xiàn)狀進行了介紹，并從確定性角度分

4、析，在保證算法收斂的前提下推導出一些關于PSO算法參數(shù)的指導性選擇方法。然后針對PSO算法存在的潛在危險特性，引入量子概念，提出了基于Delta勢阱模型的具有量子行為的粒子群優(yōu)化(QDPSO)算法，并對其收斂性、參數(shù)控制等做了詳細的描述；在此基礎上，針對QDPSO算法的重要參數(shù)即創(chuàng)造系數(shù)L的特性，設計了一種新的基于全局水平的參數(shù)控制方法，從而提出了量子行為粒子群優(yōu)化(QPSO)算法。 本論文針對QPSO算法搜索后期多樣性損失，收

5、斂速度較慢不能有效逃離局部極小點的問題，在算法搜索過程中通過引入柯西變異算子來增加種群多樣性，增強全局搜索能力，在此基礎上進一步對變異算子進行了修正，將柯西變異的尺度參數(shù)采用“基于退火策略”的自適應尺度修正方案，增強了算法的智能性；此外，從人工免疫系統(tǒng)的基本原理出發(fā)，提出基于免疫記憶的免疫算子以及基于疫苗接種的免疫算子，利用問題的特征信息有目的地指導算法搜索從而加快了算法收斂速度，同時基于矢量矩方法計算抗體濃度的免疫選擇機制能在搜索過程

6、中綜合考慮粒子適應度與濃度的影響，自動對粒子進行調(diào)節(jié)，因此帶免疫算子的QPSO算法不但具有較好的全局搜索能力，而且算法能較好地保證粒子多樣性，在計算后期仍有較強的局部搜索能力，能快速搜索到精度較高的解；然后從混合算法角度，將模擬退火算法作為QPSO算法的選擇機制，提出一種混合優(yōu)化算法，充分利用QPSO算法的全局搜索能力和模擬退火算法的局部搜索能力。 本論文在運用非靜態(tài)多段映射罰函數(shù)法求解帶約束的函數(shù)優(yōu)化問題，和將算法迭代過程中所