基于无标度网络的改进粒子群算法研究

发布时间：2020-09-24 19:42

　　 粒子群算法是智能计算中的一种优化算法,一经提出就受到各方面的关注,该算法模拟了鸟类觅食的过程,把食物看作一个待优化问题的最优解,这样,PSO算法寻找最优解的过程实际就是鸟群寻找食物的过程。粒子群算法是一种相对较新的算法,具有概念简单;控制参数少;收敛速度快;收敛性强等特点。在解决很多待优化问题上有着不错的实际效果,在很多领域有着广泛的应用:约束优化、多目标优化、数据挖掘、网络社区发现等。PSO算法有着不错的优秀特性,可是也存在着一定的缺点:局部寻优能力较差,种群多样性降低,易陷入局部最小值。为了使粒子群算法能够克服陷入局部最优的缺点,本文以改变粒子间信息传递的角度对粒子群算法进行改进,在研究了粒子群算法拓扑结构的基础上,将复杂网络的无标度特性引入到粒子群算法中。本文所做的工作具体如下:构造了基于BA网络的-粒子群算法,并与All模型、环形网络模型、冯诺依曼网络模型的粒子群算法进行了对比实验,实验结果说明基于BA网络的粒子群算法,在简单单峰值函数优化能力上没优势,但在复杂的单峰函数和多峰值函数优化上有一定优势。为了进一步改进算法,将无标度网络的四个演化模型用到粒子群算法中:(1)适应度模型改变了无标度网络越老节点连接度越高的缺点,构造了基于适应度模型的粒子群算法(FPSO);(2)增长模型通过一次加入多个粒子构成无标度网络,构造了基于增长模型的粒子群算法(GPSO);(3)局域世界演化模型粒子只与局域世界中的网络相连接,而不是整个网络,构造了基于局域世界的粒子群算法(LWPSO);(4)动态演化模型在网络的演化过程中不仅仅有节点的加入,还有节点的删除,构造了基于动态演化的粒子群算法(DESPSO),研究了加边减边的操作对算法性能的影响。通过Benchmark标准测试函数来验证算法的性能,从仿真的实验结果来看,基于动态演化模型的粒子群算法的性能在优化复杂的多峰值函数上有一定的优势。
【学位单位】：云南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：O157.5;TP18
【部分图文】：

P阅的份s模型

P钊】.2的w

P匕0.5的ws模型

【参考文献】

相关期刊论文 前4条

1 查黄英;;基于智能计算的计算机网络可靠性分析研究[J];计算机光盘软件与应用;2014年19期

2 王建伟;荣莉莉;于凯;;基于节点批量生长机制的无标度网络演化模型[J];系统工程学报;2010年05期

3 张行;刑志栋;董建民;;高维金字塔型协同粒子群算法[J];计算机与现代化;2009年12期

4 杜欢;赵波;;邻域拓扑粒子群优化算法在电力系统无功优化中的应用[J];继电器;2006年14期

相关硕士学位论文 前2条

1 李阳;一种基于动态NW小世界网络的粒子群算法[D];暨南大学;2016年

2 唐京瑞;基于复杂网络方法的粒子群算法在机组优化组合问题中的研究[D];昆明理工大学;2012年

本文编号：2826183