论文部分内容阅读
粒子群优化算法作为群体智能优化算法的一种,源于对鸟群和鱼群群体运动行为的研究。它的主要特点是原理简单、参数少、收敛速度较快。该算法在函数优化、神经网络训练、组合优化、机器人路径规划等领域获得了广泛应用。而本文所介绍的量子粒子群算法(Quantum-behaved Particle Swarm OptimiTation Algorithm,QPSO)是在粒子群算法(Particle Swarm Optimization Algorithm,PSO)的基础上改进而来,同时在此基础上提出了基于粒子间相互协作的量子粒子群改进算法(Cooperative Quantum-behaved ParticleSwarm Optimization Algorithm,CQPSO)。它们都是一种有效的全局优化搜索算法,相对于PSO算法而言,具有收敛速度快,收敛性能好的优点,但是由于QPSO同PSO算法-样的是,它也把粒子作为一个整体来进行更新,因此QPSO算法同样具有着维数限制的缺点。通过把一个具有复杂高维的粒子分解为多个一维的子个体进行优化,使用协作方法的CQPSO算法能够很好的克服这一缺点。
目前,FPGA技术日趋成熟。它不再仅是用于ASIC的快速原型,而且还可以直接用作SoPC(System on a Programmable Chip)器件。FPGA技术发展迅速,应用广泛。基于BP在线学习、CMAC估计与控制、RBF特征辨识等多种神经网络已在FPGA器件中实现并得到应用。在神经网络学习方面,PSO(Particle Swarm Optimization)作为一种新的优化算法正在引起人们的重视。就从改善算法性能来说,目前己应用到嵌入式工程领域,如系统识别,控制参数优化,电力优化,FPGA的布局和布线优化,和机器人控制设计。
本文从并行性角度出发,分析了量子行为的粒子群QPSO算法和粒子间相互协作的CQPSO算法结构的可并行性,并结合FPGA技术可并行处理信息的特点,说明了在并行运算模式下粒子的收敛性能。在Xilinx Ise10.1中编程实现,在综合可配置后,采用主串模式下载到FPGA板中,得到的相关数据与在软件仿真中得到的数据相同。