粒子群算法在多维优化问题中的改进研究

发布时间：2017-06-07 23:14

  本文关键词：粒子群算法在多维优化问题中的改进研究，，由笔耕文化传播整理发布。

【摘要】：粒子群优化算法(Particle Swarm Optimization,PSO)作为一种新兴的仿生类群智能算法,起源于对鸟类群体觅食行为的模拟。该算法通过群体中个体之间的信息交互来实现寻优的目的。与其他群智能优化算法相比,PSO凭借其实现简单,可调节参数少,收敛速度快等特点,受到众多学者的关注与研究,并且被广泛应用于生物医学、图像处理、工程优化等领域。尽管当前对粒子群优化算法的研究已经取得了一定成果,但随着模型覆盖层次的不断提高,优化模型呈现出越来越显著的高维特性,致使单纯的粒子群优化算法拓展到高维优化问题中无法取得满意的效果。本文的研究得到了国家自然科学基金、浙江省自然科学基金及浙江理工大学研究生创新项目的资助。主要研究工作和成果如下:(1)针对标准粒子群优化算法在处理多维、多峰值问题时暴露出的易早熟收敛的难题,设计并提出多维度惯性权重衰减混沌化粒子群算法(Multi-Dimensional Descending Chaotic Inertia Weight based PSO,MDDCIW_PSO)。在粒子群进化过程中,赋予每代群体中每个粒子的每一维度以不同的线性衰减混沌化惯性权重。即以纵向看,随着迭代次数的增加,惯性权重呈现线性衰减变化;从横向看,当代的每个粒子的每一维度都在当前衰减半径内呈现独立的混沌变化。MDDCIW_PSO算法从纵横两个方向,最大可能地增强了粒子在搜索后期的群活性和局部搜索能力,从而尽可能地使种群避免陷入局部最优。仿真测试结果表明MDDCIW_PSO算法能够较大幅度地提高粒子群算法的搜索精度和收敛速度。(2)通过对粒子群优化算法机理和本质并行性的分析,采用目前被广泛使用的岛屿模型,设计并提出一种基于岛屿模型的多子种群并行优化算法(Multipopulation Parallel PSO based on the island model,MPPSO)。首先构造子种群规模采样函数对子种群的个数设定提供一定参考;其次引入K-means++聚类方法,尽可能地将所有子种群充盈分布在解空间中,提高搜索效率;最后基于网络拓扑结构提出一种子种群间信息交互的策略。仿真测试结果表明,该算法能在一定程度上提升算法性能,避免早熟收敛。(3)将上述改进后的粒子群优化算法应用于印染定型机的能耗模型优化求解中,为工业现场中各级烘箱的最优工作温度设定和布料进入烘箱的最佳速度设定提供一定参考。通过实例印证上述改进机制的可行性。
【关键词】：粒子群优化算法 早熟收敛 惯性权重 岛屿模型 印染定型机
【学位授予单位】：浙江理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-17
• 1.1 课题的背景及意义11
• 1.2 群体智能优化算法总体研究概述11-13
• 1.3 粒子群算法国内外研究现状与发展趋势13-15
• 1.3.1 算法自身参数的调整13-14
• 1.3.2 算法融合14-15
• 1.3.3 算法高维优化问题处理15
• 1.3.4 算法应用15
• 1.4 论文主要研究内容及结构安排15-17
• 第2章 粒子群算法的基本原理及性能仿真分析17-26
• 2.1 原始粒子群算法17-20
• 2.1.1 粒子群算法的起源17
• 2.1.2 粒子群算法的数学描述17-20
• 2.2 带有惯性权重的粒子群算法20-21
• 2.3 PSO与SPSO对比分析21-25
• 2.4 本章小结25-26
• 第3章 多维度惯性权重衰减混沌化算法设计26-33
• 3.1 引言26
• 3.2 混沌的特性26
• 3.3 MDDCIW_PSO算法设计26-28
• 3.4 算法仿真和分析28-32
• 3.5 本章小结32-33
• 第4章 基于岛屿模型的多子种群并行粒子群算法设计33-42
• 4.1 引言33
• 4.2 并行计算的概念33
• 4.3 粒子群优化算法的本质并行性33-36
• 4.4 基于岛屿模型的多子种群并行粒子群优化算法36-39
• 4.4.1 子种群规模采样函数构造36
• 4.4.2 子种群内部粒子分配36-37
• 4.4.3 子种群间粒子的迁移策略37-38
• 4.4.4 通讯周期的设定38
• 4.4.5 算法流程38-39
• 4.5 算法仿真及分析39-40
• 4.6 本章小结40-42
• 第5章 定型机能耗模型的优化求解42-52
• 5.1 引言42
• 5.2 定型机定型处理过程及能耗优化背景42-43
• 5.3 定型机能耗模型建立43-48
• 5.3.1 定型机能耗的机理建模43-45
• 5.3.2 布料定型条件45-46
• 5.3.3 基于Simulink模型搭建46-48
• 5.4 算法实现48
• 5.5 仿真分析与比较48-51
• 5.6 本章小结51-52
• 第6章 总结与展望52-54
• 6.1 研究工作总结52
• 6.2 展望52-54
• 参考文献54-57
• 致谢57-58
• 攻读学位期间的学术成果58

【相似文献】

中国期刊全文数据库 前10条

1 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

2 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

3 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

4 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

5 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

6 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

7 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

8 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

9 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

10 刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

  本文关键词：粒子群算法在多维优化问题中的改进研究，由笔耕文化传播整理发布。

本文编号：430643