粒子群算法改进及其应用研究

发布时间：2021-01-08 20:06

　　粒子群优化算法（Particle Swarm Optimization,PSO）于1995年被提出,它的出现受到了众多学者们的关注和研究。该算法和传统的优化算法不一样,它实际上是一种新型的群体智能优化算法,主要优点在于其结构简单、参数少、粒子收敛速度快且寻优能力较强。自从该算法出现以来,已经被广泛的应用于多个领域且获得较好的优化结果,包括组合优化,神经网络训练,数据挖掘等方面。但是该算法也存在一定的缺点,例如容易产生早熟收敛、优化精度不高等问题。本文主要针对该算法存在的问题提出改进型的PSO算法,目的在于提高算法的收敛速度和全局寻优能力。并将提出的算法应用于光伏发电系统和特征选择优化问题中,从而进一步验证提出算法的有效性和价值性。主要工作如下:（1）本文一开始着重介绍了算法的原理和公式等方面,包括PSO算法,QPSO算法和GWO算法。同时在PSO的基础上介绍了几种改进方式,并总结了近几年PSO算法的改进策略。之后,通过比较实验数据,验证现有算法的可靠性。（2）针对PSO算法的改进之一,量子粒子群算法（Quantum-behaved Particle Swarm Optimization... 

【文章来源】：南京邮电大学江苏省

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

PSO优化算法的流程图

8图 2.2 PSO 优化算法的伪代码表示图子群优化算法与其他算法的比较子群算法由于其自身的收敛速度快、结构简单而广受追捧。那么它与其他优化蜂群算法，差分算法，狼群算法等等有什么区别呢？

部最优的情况。文献[34]提到一种 Comprehensive Learni)，它使用了一种新的学习策略，这种策略能够提高种群峰上问题。在该学习策略中，粒子的速度公式被定义为：( )* * *( )ij ij fi j j ijv w v c rand pbest x (1), (2), (3)..., ( )]i i i if f f f D表明个体最优值所对应的粒 i，pb每一维中，设定一个随机数 rand，根据 rand 值的大小判定粒率ciP ，那么其相应的维度将会遵循自己的 pbest，若小于概粒子的 pbest。其中，概率 有如下定义：10( 1)(exp( ) 1)10.05 0.45*(exp(10) 1)ciiNPP 选择流程图如下所示：

【参考文献】：
期刊论文
[1]基于自适应粒子群算法的特征选择[J]. 李策,王保云,高浩.  计算机技术与发展. 2017(04)
[2]复杂遮阴条件下光伏系统MPPT控制改进PSO算法仿真研究[J]. 张永革,石季英,张文,汤文扬.  中国电机工程学报. 2014(S1)
[3]基于差分算法的K-均值聚类分析[J]. 李聪明.  现代计算机(专业版). 2008(06)
[4]基于启发式算法与遗传算法的配电网重构[J]. 余贻鑫,邱炜,刘若沁.  电网技术. 2001(11)

硕士论文
[1]休眠粒子群算法在光伏发电系统MPPT控制中的应用[D]. 张永革.天津大学 2014



本文编号：2965219