基于非精确一维搜索和自适应矩估计的粒子群优化算法研究

发布时间：2020-04-11 02:02

【摘要】：粒子群优化算法(PSO)的概念相对其他群体智能算法较为简单、易于实现、需要调整的参数少,因此,得到了广泛应用。虽然PSO具有较好的全局搜索能力,但种群搜索盲目性较大,从而降低了收敛精度和速度。由于自适应矩估计算法在一定条件下具有快速的局部收敛和理想的总体收敛性,在基本粒子群优化算法寻优基础上引入自适应矩估计算法对粒子进行局部寻优,提高了粒子群在搜索空间的搜索能力;由于非精确一维搜索具有定向搜索、能够保证局部收敛的特点,引入改进的非精确一维搜索算法来加快算法的收敛速率。本文主要工作如下:(1)针对自适应粒子群优化算法(APSO)不能及时跳出局部最优点、收敛精度低下的问题,提出了基于自适应矩估计的粒子群优化算法(AdamPSO)。该算法在APSO搜索的基础上,利用自适应矩估计对每个粒子进行局部搜索,根据粒子的适应度值,来调整粒子的搜索方向,从而找到更好的解。该算法在多峰测试函数中的实验结果表明,提出的算法与基本PSO算法和同类型的基于梯度的算法相比收敛效果得到了明显地提高,并且需要更少的迭代次数。(2)针对APSO算法在搜索初期阶段容易出现重复搜索现象,导致搜索时间有所增加的问题,提出了基于非精确一维搜索和自适应矩估计的粒子群优化算法(ILS-AdamPSO)。首先,使用非精确一维搜索算法来进行确定性搜索直到种群失去多样性,其次,按照改进的速度进化方程来增加种群的多样性。最后,当种群的全局最优值经过若干迭代后仍然没有发生改变时,使用自适应矩估计算法来更新种群的全局最优点。实验结果表明,在求解多峰测试函数的最优值时,提出的算法与其他算法相比,不仅提高了粒子群在搜索空间的搜索能力,而且还使得陷入局部最优点的粒子朝着更好的解去搜索。
【图文】：

早被提出来的 PSO，采取了全局版本的拓扑结构也就是 All 型粒子相邻的都是除了自己之外的其他粒子，但是这种结构的 PSO局部最优点而无法跳出。因此，1999 年局部版本也就是 Ring 型了[7]，，虽然这种结构的 PSO 改善了算法容易陷入局部最优的问题了各个粒子之间信息交流慢的问题。因此，根据粒子之间的信息另外三种拓扑结构，示意图如图 1.1 所示：ALL 型 Ring 型 Four clust

基于非精确一维搜索和自适应矩估计的粒子群算法研究 判断是否达到该算法运行时的最大迭代数PSON ，若满足停止条法；否则，转到步骤(2)继续搜索。逻辑流程图如图 2.1 所示。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18

【参考文献】

相关期刊论文 前10条

1 韩飞;杨春生;刘清;;一种改进的基于梯度搜索的粒子群优化算法[J];南京大学学报(自然科学版);2013年02期

2 乐依峗;蔡静;;用重节点差商法求解一阶不完全Hermite插值问题[J];丽水学院学报;2012年05期

3 张干清;龚宪生;;变量相关情况下基于杂交GA-PSO算法的结构协同优化[J];机械工程学报;2012年15期

4 纪洁;顾伟;张松勇;;一种新型生物地理学智能优化算法及其比较研究[J];上海电力学院学报;2012年01期

5 卿倩;胡娟娟;王硕;;广义Wolfe线搜索下共轭梯度法的全局收敛性[J];桂林电子科技大学学报;2011年04期

6 王斌;;共轭梯度法[J];黑龙江科技信息;2010年29期

7 许小健;查日兴;;一种新型群体智能优化算法——微进化算法[J];厦门理工学院学报;2010年03期

8 吴锋;李秀梅;朱旭辉;黄哲华;;最速下降法的若干重要改进[J];广西大学学报(自然科学版);2010年04期

9 展丙军;;关于拉格朗日乘数法的一点注记[J];高等数学研究;2010年02期

10 张燕;徐尔;;精确一维搜索下几种共轭梯度法的分析比较[J];北京工商大学学报(自然科学版);2009年01期

相关博士学位论文 前3条

1 刘衍民;粒子群算法的研究及应用[D];山东师范大学;2011年

2 沈磊;心理学模型与协同过滤集成的算法研究[D];北京航空航天大学;2010年

3 杨永健;求全局最优化的几种确定性算法[D];上海大学;2005年

相关硕士学位论文 前3条

1 李艳丽;基于多目标优化的粒子群算法研究及其应用[D];西南交通大学;2014年

2 谢安世;一种新型的智能优化方法—标竿学习算法[D];安徽工业大学;2010年

3 杨朋樽;粒子群算法的拓扑结构分析与研究[D];太原理工大学;2010年

本文编号：2623002