粒子群優(yōu)化算法研究.pdf

1、優(yōu)化算法是一類解決與最優(yōu)化相關(guān)的問題的方法。長久以來，傳統(tǒng)的工程優(yōu)化算法在最優(yōu)化領(lǐng)域得到了較為廣泛地應用并且取得了較好的效果。但隨著優(yōu)化問題的復雜性和規(guī)模逐漸增大，傳統(tǒng)算法有時很難求解這類問題。近年來，基于群智能的優(yōu)化算法得到了較多地關(guān)注。其中，粒子群優(yōu)化算法以其參數(shù)少，過程簡單，尋優(yōu)效果好等優(yōu)點，得到了較多地認可和應用，并由此衍生出了一些改進算法和類似的群智能算法。然而，相關(guān)研究成果往往難以兼顧收斂精度和算法效率，有些算法的收斂精度仍

2、然較低，并且在進行局部搜索時，解決方式單一，求解效果一般。因此，有必要對粒子群優(yōu)化算法進行進一步地研究。
　　拉丁超立方抽樣是一種效果較好的抽樣實驗設計方法，一般用于抽樣實驗，鮮有報道將其用于優(yōu)化算法中。本文研究了將抽樣方法應用到優(yōu)化過程中的可行性，提出了一種采用抽樣策略的粒子群優(yōu)化算法。首先，提出了一種利用拉丁超立方抽樣策略的種群進化方法，抽樣生成中間群體和中間粒子，擇其優(yōu)者進入下一輪，以加快收斂速度；然后，提出了一種基于隨機采

3、樣的最優(yōu)位置修正方法，以便及時發(fā)現(xiàn)空間中的更優(yōu)位置；最后，提出了“雙抽樣”局部搜索方法，通過“粗抽樣”和“細抽樣”兩次抽樣，提高收斂精度。實驗證明，該算法有良好的尋優(yōu)能力，提高了基本算法的收斂精度和收斂速度。
　　基本粒子群算法的慣性權(quán)重和加速因子缺乏自適應性，尋優(yōu)過程中各維的優(yōu)秀信息難以被保存，而且不易跳出局部最優(yōu)。本文在研究基本粒子群算法尋優(yōu)過程的基礎(chǔ)上，提出了一種融合快速信息交流和局部搜索的粒子群算法。首先，設計了一種新的自

4、適應慣性權(quán)重和加速因子，使粒子可以根據(jù)當前種群的狀態(tài)自適應地調(diào)整自身速度；其次，借鑒基因交換的過程，提出了基于粒子信息交換的快速信息交流機制，以保留各維優(yōu)秀信息；最后，引入并改進模式搜索法用于算法的精細搜索。實驗證明，該算法的收斂精度和速度較基本算法有較大提升。
　　本文主要工作是研究算法的改進方法，受改進方案的隨機性和計算量所限，兩種改進算法的計算量仍然偏大，尤其是優(yōu)化較高維問題時，有些問題收斂時間較長，結(jié)果欠佳，收斂精度和算法