论文部分内容阅读
本文利用粒子群优化(Particle Swarm Optimization, PSO)算法对隐马尔可夫模型(Hidden Markov Model, HMM)参数优化问题、模糊聚类问题、K-调和均值(K-harmonic means, KHM)聚类问题和柔性作业车间调度问题(Flexible Job-shop Scheduling Problem, FJSP)进行了研究,提出了相应的优化算法。主要研究内容包括:(1)研究了基于PSO的HMM参数优化方法。Baum-Welch(BW)算法是HMM参数优化的经典算法,该算法是基于梯度下降的局部优化算法,容易陷入局部最优。为此本文提出了基于PSO算法和BW算法的连续HMM参数优化算法(PSOBW)。实验结果表明,PSOBW算法不仅能提高PSO算法的收敛速度,而且能帮助BW算法跳出局部最优,PSOBW算法也明显优于基于遗传算法(GA)和BW算法的连续HMM参数优化算法(GABW)。(2)研究了基于PSO的模糊聚类方法。针对FCM算法容易陷入局部最优的缺陷提出了一种基于PSO算法和FCM算法的混合模糊聚类算法HPSOFCM。为了将基于PSO算法的混合模糊聚类算法与基于差分进化(Differential Evolution, DE)算法的模糊聚类算法进行比较,我们用DE算法代替HPSOFCM算法中的PSO算法形成了混合模糊聚类算法HDEFCM。实验结果表明,混合模糊聚类算法HPSOFCM和HDEFCM都在某种程度上改进了FCM算法的性能,但HPSOFCM算法比HDEFCM算法速度快。(3)研究了基于PSO的KHM聚类算法。为了克服KHM算法容易落入局部最优的缺点,本文提出了一种基于PSO算法和KHM算法的混合聚类算法PSOKHM。我们对算法PSOKHM、KHM和PSO进行实验比较,实验结果表明PSOKHM既提高了PSO算法的收敛速度,也能有效地帮助KHM算法逃出局部最优。(4)研究了基于PSO的FJSP的求解方法。提出了一种求解FJSP的离散粒子群算法,该算法采用两个向量表示问题的解。根据问题的特征和解的表示结构,我们借鉴了遗传算法中交叉和变异的思想实现了粒子的运动,并针对该具体问题设计了交叉和变异算子。实验结果证明了所提出算法的有效性。