确定粒子群优化算法中所含参数的方法探讨

发布时间：2021-08-13 09:30

　　在实际问题和科学计算中,许多模型中都会含有多个参数,这些参数值的选取会大大影响模型的计算量,有时会将多个模型迭代使用,这样最终的计算量会更多。在智能优化算法中,参数值的选取也会直接影响算法的计算量,由于算法本身的随机性,算法的计算量也是不确定的,那么对于找出计算量的最小值这一问题就是一个随机优化问题。所以为了减少计算量,对于参数值的选取就尤为重要,也具有应用价值和实际价值。本文就以粒子群算法中的参数为例,对参数值的选取进行方法探讨。随机优化问题也是一个随机搜索的过程,本文将通过随机变量的特性和随机规划中的期望值模型两个方面来对粒子群算法中参数的优化进行方法探讨。主要的研究工作如下:1、由于参数的取值范围较大,首先就要考虑缩小搜索的范围,通过在禁忌表和希望表进行分散化搜索寻找到最有希望区域,然后对最有希望区域进行集中化搜索,从而确定最优的研究范围。2、针对随机变量的特性,需要对参数所对应的的目标函数进行求解,但是目标函数的解析式又不易写出,那么就先利用数理统计中具有对随机变量进行统计推断的方差分析法来判断参数的影响程度,然后再利用二次逼近求出目标函数的近似最小值,为了解决这一问题提出了带... 

【文章来源】：长安大学陕西省 211工程院校 教育部直属院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

的测试函数图像可以看出，该函数有很多局部极大值点，而极限位置为(0,0)，在(0,0)附近取得最大值，最大值约为1.0054

进行了优化，结果为1c 2.079，接下来再对参数2c 优化，初固定 w 1.3，表 3-4 是对应的计算量。表 3-4 当 , 时,不同参数2c 取值的计算量迭代次数（子样） 233 245 209 237 241 220 225 204 219 204 183 194 172 177 188 185 183 201 204 207 207 214 209 224 211 图 3.1 参数1c 对应的函数图像

数值取Tx (2.1049, 2.8007,1.05)时，为了比较进化300代和500代的收敛性，如图4.4，图4.5给出了粒子群智能优化算法优化粒子群参数的进化过程。图 4.4 粒子群参数优化的进化过程（300 代）

【参考文献】：
期刊论文
[1]基于一元方差分析的正态分布均值变点检测研究[J]. 骆桦,刘兴.  工业控制计算机. 2017(10)
[2]基于随机优化理论的输电网规划研究综述[J]. 张衡,程浩忠,曾平良,张建平,陆建忠,李聪.  电网技术. 2017(10)
[3]基于Powell算法和遗传算法求解绝对值方程[J]. 封京梅,卢楠.  轻工学报. 2016(06)
[4]基于Powell算法的改进微粒群算法[J]. 苏长慧,夏桂梅,屈向红.  宁夏师范学院学报. 2013(06)
[5]一种基于粒子群参数优化的改进蚁群算法[J]. 李擎,张超,陈鹏,尹怡欣.  控制与决策. 2013(06)
[6]混沌粒子群优化算法在确定含水层参数中的应用[J]. 周秀秀,常安定,郭建青,王久杰.  水资源与水工程学报. 2013(01)
[7]融合Powell搜索法的粒子群优化算法[J]. 吴建辉,章兢,陈红安.  控制与决策. 2012(03)
[8]利用混沌粒子群算法确定河流水质模型参数[J]. 孟令群,郭建青.  地球科学与环境学报. 2009(02)
[9]基于粒子群优化的加权伏罗诺伊图变电站规划[J]. 路志英,葛少云,王成山.  中国电机工程学报. 2009(16)
[10]用粒子群算法反求割离井公式中的水文地质参数[J]. 张全兴,常安定.  西北农林科技大学学报(自然科学版). 2009(02)



本文编号：3340178