论文部分内容阅读
随着信息技术的发展,出现了大量具有高维度、强参数耦合度等特征的问题,这些问题往往不能通过传统的优化方法求解,因此,人们对高效的信息技术和优化控制技术的要求越来越迫切。具有自适应控制能力的群体智能优化算法相继被提出,其中粒子群算法(Particle Swarm Optimization, PSO)是最知名和最受欢迎的群体智能优化算法之一。该算法已在模式识别、运筹学、计算机信息网络等众多领域得到应用,是一种解决全局优化问题的有效工具。但标准的粒子群算法有收敛精度差、容易陷入局部最优解的不足,如何增强粒子群算法的收敛精度,避免早熟收敛,就显得尤为重要。本文阐述了粒子群算法的研究背景,详细介绍了粒子群算法、骨干粒子群算法以及粒子群算法变体的基本原理,并在标准粒子群算法、骨干粒子群算法和全面学习的粒子群算法的启发下,提出了两种不同的学习策略,即简单全面学习策略和高斯精英扰动策略。文中第三章首先提出了改进的粒子群算法,并在此算法的基础上施加了简单全面学习策略,同时对涉及的参数进行讨论,同一个粒子在不同维度上随机选择其他粒子的历史最优解作为学习榜样,而不是单纯的学习自身的历史最优解,这种学习策略能够增加种群的多样性,并且能够提高粒子跳出局部陷阱的概率。为了验证所提出算法和学习策略的有效性,文中选用一套基准测试函数进行仿真实验。实验结果表明:改进的粒子群算法和简单全面学习策略的粒子群算法的性能优于标准粒子群算法、骨干粒子群算法、改进的骨干粒子群算法和全面学习的粒子群算法。随后文中第四章又提出了高斯精英扰动策略的粒子群算法,该算法通过对粒子的历史最优解和种群的全局最优解施加高斯扰动策略,使得种群始终处于一种非平衡态,促使粒子持续的探索优质解,从而不断提高了算法的搜索能力。实验结果表明:高斯精英扰动策略的粒子群算法优于标准粒子群算法、骨干粒子群算法和改进的骨干粒子群算法。