论文部分内容阅读
粒子群优化(PSO)算法由Kennedy和Eberhart于1995年提出,是群体智能优化方法中具典型代表性的算法,具有广泛的应用领域,例如神经网络训练,工程优化等。PSO的基本思想是群体中的每一个成员通过学习自身和群体中其他成员的信息以决定下一步动作,即一个粒子通过追随两个目标点(分别代表自身信息和其他成员信息)进行寻优,第一个目标点为自身历史最优点,第二个目标点有两种:一种是种群最优点(称为全局版PSO),另一种是邻域最优点(称为局部版PSO)。PSO计算简单有效、鲁棒性好。但是,PSO最大弱点是在处理多峰函数优化问题时,容易出现早熟收敛,并且搜索后期的局部搜索能力较差。如何解决上述问题并进一步提高PSO的性能,一直是PSO研究的重要开放性课题。本文的研究目的,一是从理论方法上研究一种性能较好算法,二是从应用上将这种方法既用于高效求解函数优化又用于求解Packing问题,最终期望用它作为求解卫星舱布局设计混合方法中的有效组成部分。由此,本文尝试从研究修改粒子搜索路径的角度,通过构造新的速度更新公式,提出了两种改进的粒子群优化算法,分别为活跃目标点粒子群优化(APSO)算法和探测粒子群优化(DPSO)算法,并应用于求解函数优化和约束布局优化问题。本文的工作主要包括以下两个方面:(1)提出了一种活跃目标点粒子群优化(APSO)算法。基本思想是,在标准PSO速度更新公式中引入第3个目标点,称为活跃目标点,从而构成新的基于3目标点速度更新机制的粒子速度更新公式。APSO的优点是较好地克服了PSO的早熟收敛问题,并兼具复合形法射线搜索的能力;缺点是增加了一定的额外计算开销。(2)提出了一种探测粒子群优化(DPSO)算法。基本思想是,选定少数粒子,令其单独进行有别于普通粒子折线搜索路径,而是利用螺旋折线搜索路径搜索,该粒子称为探测粒子。整体上,该探测粒子与种群中其他普通粒子联合进行更高效率的搜索。DPSO的优点是在避免PSO的早熟收敛的基础上,进一步提高了PSO的收敛速度和收敛精度;缺点与APSO类似,增加了一定的额外计算开销。经典型函数数值仿真实验表明,本文APSO和DPSO算法提高了PSO求解多峰函数优化问题的能力;经约束Packing问题和简化返回式卫星的回收舱布局优化数值仿真实验表明,本文APSO和DPSO算法求解该约束布局优化问题的可行性和有效性,也有助于PSO算法改进的理论探讨。