论文部分内容阅读
粒子群优化算法(Particle Swarm Optimization Algorithm,PSO)作为群智能算法的典型代表,它具有容易实现、原理简单、参数少等优点。该算法已经被广泛应用于诸多领域,如:图像处理、工程优化、数据控制、水文水利等相关领域。但是由于粒子群算法是来源于生物群体的一种群智能优化算法,它在应用领域和理论基础研究方面都存在一定的缺陷,需要对其做出进一步研究。本文的主要的研究工作内容如下:(1)针对粒子群优化算法存在收敛速度快,但极易陷入局部最优;烟花爆炸算法(Fireworks Explosion Algorithm,FEO)具有很强的全局搜索能力,但是求解精度不精准、求解效率不高的缺点。为了解决这两方面的问题,本文将烟花爆炸算法引入到PSO算法中,提出了一种新的联合优化算法(Fireworks Explosion Particle Swarm Optimization Algorithm,FEPSO),该算法对 FEO 的爆炸半径进行改进,使联合算法能快速收敛到全局最优,精度上有较大提升。该算法首先通过采用中位数聚类算法将整个种群动态划分为若干小种群,然后并行处理搜索最优解;将每个小种群中筛选出的最优粒子作为FEO的初始种群来进行深度优化;最后对所提出融合算法的收敛性进行理论证明和实验分析。结果表明,所提出算法与其它算法相比,在提升函数的收敛精度方面效果比较的明显,尤其在多峰函数上效果更加显著。(2)针对传统的粒子群算法具有极易陷入局部最优、后期收敛速度慢、精度低等缺点,提出了一种融合分类与拓展策略的粒子群优化算法。该算法对易陷入局部最优的粒子群采用分类优化策略,淘汰劣质解;采用拓展优化策略生成新的优质解,以提高粒子群优化算法的收敛速度和收敛精度;通过采取一种正态演化变异策略,搜索当前最优粒子的邻域空间的方式增强局部开采能力,以尽量避免算法陷入局部最优。实验针对6个经典函数,利用智能优化搜索算法在求最小值问题上进行仿真测试,结果表明,提出的改进融合算法在求解解的精度上明显优于一些知名的改进粒子群优化算法,尤其在多峰函数上表现更为明显。最后将融合算法应用在水文频率适线法上并进行试验测试,结果表明融合算法针对适线法在参数估计方面精度较高,与其他方法相比,在水文频率分析中是一个不错的研究工具。