论文部分内容阅读
粒子群优化(Particle swarm optimization,PSO)算法是一种基于群体智能的算法,它模拟鸟群、鱼群和蜂群等动物群体的觅食行为,通过个体之间的相互协作使群体达到最优化目的。同遗传算法类似,PSO算法也是一种基于种群的优化技术,它初始化为一组随机解,粒子群在搜索空间中追随种群中的最优粒子进行协同搜索。PSO算法具有操作简单、需要调节的参数少、收敛速度快等特点,因而引起越来越多的关注,成为计算智能及经济、社会、生物等交叉学科的研究热点和前沿。协同搜索的主要思想是使用多个模块同时搜索问题空间,这些模块之间相互交换信息,以提高算法的效率,它在研究大规模复杂优化问题中得到了广泛的应用。本文主要研究了结合协同搜索和PSO算法的协同PSO算法,以及其在模糊辨识和神经网络学习中的应用。本文首先介绍了PSO算法的产生背景、研究的主要内容和开放问题等;接着给出了协同PSO算法的基本框架和参数分析;然后提出了协同随机PSO算法来改进标准PSO算法的性能;最后将提出的改进算法和协同进化PSO算法应用在模糊辨识和神经网络学习等领域。本文研究的主要内容和创新点可概括如下:(1)提出了一种协同随机PSO算法,使用多个子种群同时搜索问题空间,在迭代的过程中,不同的子种群间以随机方式相互交换信息。粒子通过学习不同子种群的最优历史信息来更新自己的速度和位置,保持了种群的多样性;同时,使用多个子种群的有用信息也保证了算法的收敛速度。从而算法的全局和局部搜索能力达到了很好的平衡。(2)提出了一种基于减法聚类和协同随机PSO算法的二阶段模糊辨识方法:减法聚类用来辨识模糊模型的结构,协同随机PSO算法用来优化模型的参数,同时使用减法聚类的结果来初始化算法的种群。该辨识方法能有效地获得紧凑而精确的模糊模型。(3)针对一类用于时间序列预测的单乘法神经元模型,引入协同随机PSO算法来加强其学习能力。单乘法神经元模型可以看作是结构简单,参数较少的神经网络,代替多层神经网络来完成函数逼近等任务。协同随机PSO算法作为该模型的训练算法,提高了模型的学习效率和鲁棒性。(4)针对模糊模型辨识中模型结构难以确定的问题,提出了一种基于协同进化PSO算法的自动模糊模型辨识方法。首先预定义一个最大的模糊规则数,每条规则都有一个标签来决定其是否属于模糊模型;然后将标签、模糊模型的前件参数和后件参数编码成不同的粒子,使用三个PSO算法协同地搜索;通过标签的进化可以得到模糊模型的结构,在模型性能达到最优时,也得到了最优的模型参数。该方法能直接从输入输出数据抽取精确的模糊模型。(5)针对全连接神经网络的结构冗余问题,提出了一种基于协同进化PSO算法的同时调节神经网络结构和权值的方法。首先定义了一种带开关权值的神经网络模型,开关权值由离散值0和1表示,用来决定神经网络的结构;然后使用协同进化的二进制PSO算法和实值PSO算法来优化网络结构和模型参数。该方法能有效地获得精度高而结构精简的神经网络。