增强搜索能力的粒子群优化算法研究
本文关键词：增强搜索能力的粒子群优化算法研究 出处：《郑州大学》2017年硕士论文 论文类型：学位论文
【摘要】：在现实世界中,存在诸多的最优化问题。可把最优化问题定义为:在满足一定约束条件的前提下,寻找一组解,来使系统的某些性能指标达到要求。随着社会的发展,人们迫切需要一些工具来求解这些优化问题,由此便产生了各种优化算法。基于鸟群觅食行为而提出的粒子群优化算法(PSO)是一种新型的优化技术,因其简单实用,被广泛应用于求解优化问题。PSO算法在寻找优化问题的最优解时,不必知道问题的特征信息,只需对可行解按照一定的策略进行迭代更新即可。PSO算法求解问题时所具有的简单高效的特性,引起了国内外学者的广泛关注。但在研究的过程中,发现PSO算法存在早熟收敛和搜索精度较低等问题。针对PSO算法存在的问题,本文提出了两种改进方案:1)一种方案首先将粒子分为两组,分别用于全局搜索和局部搜索,这点有点类似于多种群算法,但不同的是这两组的粒子数会动态变化。在粒子总数不变的前提下,前期将大多数粒子用于全局搜索,而随着迭代的进行,粒子会慢慢转向局部搜索。该方案为了增强全局搜索能力,将采用全新的策略来更新全局搜索的粒子位置;为了增强局部搜索的能力,将小范围变异策略引入到局部搜索的粒子中去。为了增强种群多样性,这两组粒子之间会进行独特的信息交换。2)另一种方案是受一种常见社会现象的启发而提出的。该方案以“让优秀粒子更优秀,让最差粒子努力寻优”为核心思想,通过对种群中的最优粒子和最差粒子采取定向变异策略来提高算法的性能。通过对比试验验证引入最差粒子变异的重要性。通过测试函数验证这两种改进方案能有效增强粒子的搜索能力,并能缓解解早熟收敛现象。最后,将定向变异粒子群优化算法应用于PID参数调整中,取得了良好的实验效果。
[Abstract]:In order to improve the global search ability , the PSO algorithm is widely used in global search . In order to enhance global search capability , the PSO algorithm is widely used in global search .
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP18
【相似文献】
相关期刊论文 前10条
1 程彩娟;“八后问题”的算法与程序设计[J];天津职业技术师范学院学报;1991年02期
2 葛磊;武芳;王鹏波;张冬林;;3维建筑综合中基于最小特征的面平移算法[J];测绘科学技术学报;2009年02期
3 骆雯,孙延明,陈振威,陈锦昌;判断点与封闭多边形相对关系的改进算法[J];机械;1999年03期
4 李林;卢显良;;一种基于切割映射的规则冲突消除算法[J];电子学报;2008年02期
5 刘巧玲;张红英;林茂松;;一种简单快速的图像去雾算法[J];计算机应用与软件;2013年07期
6 林亚平,杨小林;快速概率分析进化算法及其性能研究[J];电子学报;2001年02期
7 章郡锋;吴晓红;黄晓强;何小海;;基于暗原色先验去雾的改进算法[J];电视技术;2013年23期
8 杨铁军;靳婷;;一种动态整周模糊值求解算法及其仿真分析[J];系统工程与电子技术;2007年01期
9 周秀玲;郭平;陈宝维;王静;;几种计算超体积算法的比较研究[J];计算机工程;2011年03期
10 吴一戎,胡东辉,彭海良;Chirp Scaling SAR成象算法及其实现[J];电子科学学刊;1995年03期
相关会议论文 前10条
1 尹冀锋;;一种新的图象自适应增强算法[A];四川省通信学会一九九二年学术年会论文集[C];1992年
2 宁春平;田家玮;郭延辉;王影;张英涛;郑桂霞;刘研;;计算机辅助增强、分割算法在鉴别乳腺良、恶性肿块中的应用价值[A];中华医学会第十次全国超声医学学术会议论文汇编[C];2009年
3 谢丽聪;;SVB查询改写算法的改进[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年
4 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年
5 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年
6 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年
7 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年
8 汪荣贵;李守毅;孙见青;;一种新的自适应粒子群优化算法及应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年
9 郑存红;;复杂背景下相关跟踪算法研究及DSP实现[A];中国光学学会2010年光学大会论文集[C];2010年
10 黄双欢;程良伦;;一种基于粒子群优化的快速图像倾斜角度检测算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年
相关重要报纸文章 前1条
1 国泰君安资产管理部;“算法交易”是道指暴跌罪魁祸首?[N];上海证券报;2010年
相关博士学位论文 前10条
1 冯辉;网络化的并行与分布式优化算法研究及应用[D];复旦大学;2013年
2 许玉杰;云计算环境下海量数据的并行聚类算法研究[D];大连海事大学;2014年
3 李琰;基于猫群算法的高光谱遥感森林类型识别研究[D];东北林业大学;2015年
4 陈加顺;海洋环境下聚类算法的研究[D];南京航空航天大学;2014年
5 王洋;基于群体智能的通信网络告警关联规则挖掘算法研究[D];太原理工大学;2015年
6 雷雨;面向考试时间表问题的启发式进化算法研究[D];西安电子科技大学;2015年
7 熊霖;大数据下的数据选择与学习算法研究[D];西安电子科技大学;2015年
8 周雷;基于图结构的目标检测与分割算法研究[D];上海交通大学;2014年
9 王冰;人工蜂群算法的改进及相关应用的研究[D];北京理工大学;2015年
10 周旭;复杂网络中社区发现算法研究[D];吉林大学;2016年
相关硕士学位论文 前10条
1 李红文;增强搜索能力的粒子群优化算法研究[D];郑州大学;2017年
2 姚鑫宇;EMD去噪与MUSIC算法在DOA估计中的联合应用[D];昆明理工大学;2015年
3 陆进;面向含噪数据聚类相关算法的研究[D];复旦大学;2014年
4 李家昌;基于能量约束的超声图像自动分割算法[D];华南理工大学;2015年
5 陈坚;基于密度和约束的数据流聚类算法研究[D];兰州大学;2015年
6 高健;基于Zynq7000平台的去雾算法研究及实现[D];南京理工大学;2015年
7 顾磊;基于Hadoop的聚类算法的数据优化及其应用研究[D];南京信息工程大学;2015年
8 杨燕霞;基于Hadoop平台的并行关联规则挖掘算法研究[D];四川师范大学;2015年
9 王羽;基于MapReduce的社区发现算法的设计与实现[D];南京理工大学;2015年
10 许振佳;流式数据的并行聚类算法研究[D];曲阜师范大学;2015年
，本文编号：1406484
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1406484.html
