多样性增强的粒子群优化算法及其应用研究

发布时间：2017-07-19 02:08

  本文关键词：多样性增强的粒子群优化算法及其应用研究

  更多相关文章： 粒子群优化算法 骨干粒子群优化算法 种群多样性 分裂算子 反向学习 无约束优化问题

【摘要】：智能优化算法为求解一类不连续、不可微的优化问题提供了有效的解决途径。粒子群优化算法(Particle Swarm Optimization, PSO)具有原理和实现简单、需调控的参数少及令人满意的收敛性能而成为智能优化领域的研究热点。虽然PSO算法在很多领域已得到成功应用,但与其他进化算法类似,PSO算法也存在早熟及收敛速度慢等缺点,究求原因是由于种群多样性快速丧失造成。本文在深入研究PSO算法的基础上,从增强种群多样性来提高算法的收敛性能入手,提出了若干改进的PSO算法,并通过在大量非线性的无约束优化问题上的仿真实验验证了所提出的各种改进算法的收敛性能。本论文主要包括以下研究工作：第一章主要介绍了传统优化方法的不足、常见的群体智能优化算法、PSO算法的国内外研究现状以及本论文的主要研究工作。第二章通过模拟天体的分裂现象,对搜索过程中满足分裂条件的粒子,通过相应的分裂算子来执行分裂策略。所提出的不同分裂算子分别用于PSO算法及骨架PSO(Bare-bones PSO, BPSO)算法。本章对提出的各种分裂策略进行了对比,并通过对比执行分裂策略前后粒子的分布和种群多样性的变化情况来说明分裂操作能增强种群的多样性,从而有利于调节种群全局探索能力和局部开采能力的平衡。仿真实验和统计分析验证了改进的PSO算法(DPSO及DBPSO)能提高收敛速度和收敛精度。第三章,我们一改反向学习(Oppositon-Based Learning, OBL)仅用于种群初始化或改善种群质量的传统方法,提出将OBL应用于自身历史最优Pbest而不是种群X。这种策略一方面为全局最优Gbest提供了潜在的更新机会,有利于提高解的收敛精度；另一方面,也重组了Pbest与X的对应关系,有利于重新引导粒子的飞行方向。同时,我们还在粒子的进化方程中集成了“反叛学习项”,并通过引入随机学习因子减少了算法中的调控参数。这些措施不仅通过改变粒子的飞行方向来增强种群多样性,还减少了待优化问题对参数的依赖性。仿真实验和统计分析证实了改进的PSO算法(PSO-OBL和BPSO-OBL)能在较小的计算开销下找到更好的解,且待优化问题的维数对其影响更小。第四章,受人类学习行为的启发,在PSO算法中引入了向差等粒子学习(Gworst)的策略,通过一服从标准正态分布的学习因子的取值(+、0、-)来模拟受不良行为的影响情况(促进学习、不受影响、惩罚学习)。同时,我们用两个和为1的随机学习因子替代了PSO中的加速因子c1和c2。这些措施在减少算法参数的同时改变了粒子的飞行方向,从而能有效地减少待优化问题对参数的依赖性,并且增强了种群的多样性。仿真实验和统计分析验证了改进的PSO算法(HPSO)在不增加算法复杂度下能提高算法的收敛性能。
【关键词】：粒子群优化算法 骨干粒子群优化算法 种群多样性 分裂算子 反向学习 无约束优化问题
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP18
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 绪论11-31
• 1.1 优化问题和传统的优化方法11-13
• 1.1.1 优化问题及其分类11-12
• 1.1.2 传统的优化方法12-13
• 1.2 群体智能优化算法13-20
• 1.2.1 群体智能优化算法的产生13
• 1.2.2 常见的群体智能优化算法13-18
• 1.2.3 群体智能优化算法的优势和不足18-20
• 1.3 粒子群优化算法20-28
• 1.3.1 粒子群优化算法的来源和工作原理20-21
• 1.3.2 基本粒子群优化算法21-23
• 1.3.3 粒子群优化算法的研究现状23-27
• 1.3.4 粒子群优化算法的应用27
• 1.3.5 有待进一步研究的问题27-28
• 1.4 本论文的主要内容及创新之处28-31
• 第二章 基于分裂算子的粒子群优化算法求解无约束优化问题31-71
• 2.1 天体分裂现象32-33
• 2.2 基于自适应分裂算子和时变最大速度的粒子群优化算法33-49
• 2.2.1 引言33
• 2.2.2 DPSO算法33-37
• 2.2.3 时变最大速度的分析37
• 2.2.4 种群多样性分析37-39
• 2.2.5 DPSO的变形分裂算子39-40
• 2.2.6 DPSO算法求解无约束优化问题及其实验分析40-49
• 2.2.7 DPSO算法的结论49
• 2.3 骨干粒子群优化算法49-50
• 2.4 带分裂算子的骨干粒子群优化算法50-69
• 2.4.1 DBPSO算法50-53
• 2.4.2 初始阈值C_0对DBPSO算法性能的影响53-54
• 2.4.3 分布和多样性分析54-57
• 2.4.4 原始点、分裂点及最优点之间的位置关系57
• 2.4.5 DBPSO算法求解无约束优化问题及其试验分析57-69
• 2.4.6 DBPSO算法的结论69
• 2.5 本章小结69-71
• 第三章 集成反向学习的粒子群优化算法求解无约束优化问题71-105
• 3.1 反向学习71-75
• 3.1.1 基于反向学习的相关定义71-72
• 3.1.2 基于反向学习的PSO算法72-75
• 3.2 集成反向学习的粒子群优化算法75-81
• 3.2.1 引言75
• 3.2.2 PSO-OBL算法75-78
• 3.2.3 PSO-OBL算法求解无约束优化问题及其试验分析78-80
• 3.2.4 PSO-OBL算法的结论80-81
• 3.3 集成反向学习的骨干粒子群优化算法81-102
• 3.3.1 引言81-82
• 3.3.2 BPSO-OBL算法82-86
• 3.3.3 BPSO-OBL算法求解无约束优化问题及其实验分析86-100
• 3.3.4 BPSO-OBL算法的结论100-102
• 3.4 本章小结102-105
• 第四章 基于人类行为的粒子群优化算法求解无约束优化问题105-121
• 4.1 引言105-106
• 4.2 基于人类行为的PSO算法(HPSO)106-110
• 4.3 HPSO算法求解无约束优化问题及其试验分析110-119
• 4.3.1 无约束测试函数110-111
• 4.3.2 HPSO与SPSO在不同搜索空间上的比较111-117
• 4.3.3 HPSO与其他PSO算法的比较117-119
• 4.4 本章小结119-121
• 第五章 本文工作总结及研究展望121-123
• 5.1 本文研究工作总结121-122
• 5.2 研究展望122-123
• 参考文献123-139
• 攻读博士学位期间发表论文及研究成果清单139-141
• 致谢141

【相似文献】

中国期刊全文数据库 前10条

1 蒙正中;;一种改进的混合粒子群优化算法[J];桂林工学院学报;2009年03期

2 吴昌友;王福林;马力;;一种新的改进粒子群优化算法[J];控制工程;2010年03期

3 周驰,高海兵,高亮,章万国;粒子群优化算法[J];计算机应用研究;2003年12期

4 高鹰,谢胜利;免疫粒子群优化算法[J];计算机工程与应用;2004年06期

5 张荣沂;一种新的集群优化方法——粒子群优化算法[J];黑龙江工程学院学报;2004年04期

6 高鹰;谢胜利;;混沌粒子群优化算法[J];计算机科学;2004年08期

7 刘钊,康立山,蒋良孝,杨林权;用粒子群优化改进算法求解混合整数非线性规划问题[J];小型微型计算机系统;2005年06期

8 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期

9 窦全胜;周春光;马铭;刘全;;群核进化粒子群优化方法[J];计算机科学;2005年08期

10 范娜;云庆夏;;粒子群优化算法及其应用[J];信息技术;2006年01期

中国重要会议论文全文数据库 前10条

1 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

2 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

3 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

4 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

5 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

6 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

7 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

8 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

9 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年

10 崔静;邓方;方浩;;基于改进粒子群优化算法的弹道求解方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

中国博士学位论文全文数据库 前10条

1 刘昊;多样性增强的粒子群优化算法及其应用研究[D];北京理工大学;2015年

2 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年

3 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年

4 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年

5 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年

6 闫允一;粒子群优化及其在图像处理中的应用研究[D];西安电子科技大学;2008年

7 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年

8 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年

9 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年

10 徐星;融合热运动机制的粒子群优化算法研究及其应用[D];武汉大学;2010年

中国硕士学位论文全文数据库 前10条

1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年

2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年

3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年

4 孟亚州;基于粒子群优化OTSU的肺组织分割算法研究[D];宁夏大学;2015年

5 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年

6 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年

7 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年

8 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年

9 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年

10 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年

，

本文编号：560749