论文部分内容阅读
粒子群优化算法(Particle Swarm Optimization,PSO)作为一种新兴的仿生类群智能算法,起源于对鸟类群体觅食行为的模拟。该算法通过群体中个体之间的信息交互来实现寻优的目的。与其他群智能优化算法相比,PSO凭借其实现简单,可调节参数少,收敛速度快等特点,受到众多学者的关注与研究,并且被广泛应用于生物医学、图像处理、工程优化等领域。尽管当前对粒子群优化算法的研究已经取得了一定成果,但随着模型覆盖层次的不断提高,优化模型呈现出越来越显著的高维特性,致使单纯的粒子群优化算法拓展到高维优化问题中无法取得满意的效果。本文的研究得到了国家自然科学基金、浙江省自然科学基金及浙江理工大学研究生创新项目的资助。主要研究工作和成果如下:(1)针对标准粒子群优化算法在处理多维、多峰值问题时暴露出的易早熟收敛的难题,设计并提出多维度惯性权重衰减混沌化粒子群算法(Multi-Dimensional Descending Chaotic Inertia Weight based PSO,MDDCIW_PSO)。在粒子群进化过程中,赋予每代群体中每个粒子的每一维度以不同的线性衰减混沌化惯性权重。即以纵向看,随着迭代次数的增加,惯性权重呈现线性衰减变化;从横向看,当代的每个粒子的每一维度都在当前衰减半径内呈现独立的混沌变化。MDDCIW_PSO算法从纵横两个方向,最大可能地增强了粒子在搜索后期的群活性和局部搜索能力,从而尽可能地使种群避免陷入局部最优。仿真测试结果表明MDDCIW_PSO算法能够较大幅度地提高粒子群算法的搜索精度和收敛速度。(2)通过对粒子群优化算法机理和本质并行性的分析,采用目前被广泛使用的岛屿模型,设计并提出一种基于岛屿模型的多子种群并行优化算法(Multipopulation Parallel PSO based on the island model,MPPSO)。首先构造子种群规模采样函数对子种群的个数设定提供一定参考;其次引入K-means++聚类方法,尽可能地将所有子种群充盈分布在解空间中,提高搜索效率;最后基于网络拓扑结构提出一种子种群间信息交互的策略。仿真测试结果表明,该算法能在一定程度上提升算法性能,避免早熟收敛。(3)将上述改进后的粒子群优化算法应用于印染定型机的能耗模型优化求解中,为工业现场中各级烘箱的最优工作温度设定和布料进入烘箱的最佳速度设定提供一定参考。通过实例印证上述改进机制的可行性。