论文部分内容阅读
粒子群优化算法(Particle Swarm Optimization, PSO)源于对鸟类觅食行为的研究,由美国心理学家Kennedy博士和电气工程师Eberhart博士于1995年共同提出,是一种基于群智能理论的新兴演化计算技术。PSO算法通过群体中粒子间的合作与竞争产生的群智能指导优化搜索,有较强的通用性同时具有全局寻优的特点。作为群智能的典型代表,PSO算法已经被证明是一种有效的全局优化方法,表现出了广泛的应用前景。本文对PSO算法的基本原理、发展和改进以及工程应用进行了较为系统的阐述。本文的主要研究工作和创新点可归纳如下：(1)提出一种自适应指导的文化粒子群算法(AG-CPSO)。新算法将PSO算法纳入文化算法框架中,并通过计算群体适应度方差判断群体空间状态,当PSO算法陷入局部最优时信念空间则自适应地利用影响函数对群体空间进行变异更新,既有效发挥了文化算法“双演化双促进”机制,又避免了影响函数对群体空间的全局变异操作,易导致粒子群算法结构失效及不易收敛的缺点。通过实验说明,新算法优化性能好于粒子群算法和文化粒子群算法。(2)提出一种蜜蜂进化型粒子群算法(BEPSO)。新算法并行利用蜜蜂进化型遗传算法(BEGA)中的选择、交叉和变异思想以及PSO算法的速率和位移更新规则,有机结合了BEGA算法和PSO算法各自优点。通过实验说明,新的混合算法可以克服早熟收敛并提高收敛速度,其优化性能好于粒子群算法和蜜蜂进化型遗传算法。最后,将两种新算法应用于训练神经网络问题,实验结果表明本文算法在相同的迭代次数下,训练的神经网络收敛速度大大提高,且性能和精度也显著提高。