| 【中文题名】 | 粒子群优化算法的研究与改进 |
| 【英文题名】 | The Research and Improvement of Particle Swarm Optimization |
| 【学科专业】 | 计算机科学与技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-11-14 |
| 【中关键词】 | 粒子群优化,群体智能,惯性权重,收敛因子模型,雁群飞行, |
| 【英关键词】 | particle swarm optimization,swarm intelligence,inertia weight,constriction factor,flight of geese, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
自上世纪80年代以来,智能优化算法(如人工神经网络、遗传算法等)通过模拟或揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路和手段,并在科学、经济以及工程领域得到了广泛应用。粒子群优化算法(Particle Swarm Optimization, PSO算法)源于鸟群和鱼群群体运动行为的研究,是一种基于种群搜索策略的自适应随机算法,是进化计算领域中的一个新的分支。它的主要特点是简单、收敛速度较快、没有很多参数需要调整,且不需要梯度信息,在工程实践中表现出巨大潜力,现已广泛应用于函数优化、神经网络、模糊系统控制、模式识别等多个领域。
本文从PSO算法的基本原理、参数选取、拓扑结构、混合算法及应用等方面做了较为系统的论述,重点讨论了PSO的两种标准算法:惯性权重线性下降算法(LDW)和收缩因子模型(CFM)。前者是为了提高算法的收敛性能,平衡收敛的全局性和收敛速度;后者是为了保证算法的收敛性,同时使得速度的限制放松。总之,两种标准PSO算法都是着眼于如何更有效地使粒子群在解空间中搜索最优解,但在高维复杂问题寻优时仍然存在早熟收敛、收敛精度比较差的缺点。
针对上述缺点,本文借鉴生物... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-8 |
|
第1章 绪论 |
8-12 |
|
1.1 课题背景 |
8-9 |
|
1.2 国内外研究现状和进展 |
9-10 |
|
1.3 本文的主要成果 |
10-11 |
|
1.4 本文的组织 |
11-12 |
|
第2章 研究基础 |
12-25 |
|
2.1 引言 |
12 |
|
2.2 优化 |
12-15 |
|
2.2.1 局部优化 |
13-14 |
|
2.2.2 全局优化 |
14 |
|
2.2.3 无免费午餐定理 |
14-15 |
|
2.3 进化计算 |
15-21 |
|
2.3.1 遗传算法 |
16-18 |
|
2.3.2 进化策略 |
18-19 |
|
2.3.3 进化规划 |
19 |
|
2.3.4 遗传程序设计 |
19-20 |
|
2.3.5 进化计算的主要特点 |
20-21 |
|
2.4 群体智能 |
21-24 |
|
2.4.1 什么是群体智能 |
21 |
|
2.4.2 蚁群优化算法 |
21-23 |
|
2.4.3 粒子群优化算法 |
23-24 |
|
2.4.4 群体智能的特点和优点 |
24 |
|
2.5 本章小结 |
24-25 |
|
第3章 粒子群优化算法 |
25-47 |
|
3.1 引言 |
25 |
|
3.2 原始粒子群优化算法 |
25-30 |
|
3.2.1 算法原理 |
25-27 |
|
3.2.2 算法参数 |
27 |
|
3.2.3 算法边界条件 |
27-28 |
|
3.2.4 算法步骤 |
28 |
|
3.2.5 算法时间复杂度分析 |
28-29 |
|
3.2.6 PSO 与GA 的比较 |
29-30 |
|
3.3 二进制PSO |
30 |
|
3.4 粒子群优化算法的发展与改进 |
30-38 |
|
3.4.1 PSO 参数改进 |
31-33 |
|
3.4.2 PSO 拓扑改进 |
33-34 |
|
3.4.3 PSO 混合算法 |
34-38 |
|
3.5 PSO 算法的应用 |
38-42 |
|
3.5.1 函数优化 |
39 |
|
3.5.2 神经网络训练 |
39-41 |
|
3.5.3 组合优化 |
41 |
|
3.5.4 PSO 的工程应用 |
41-42 |
|
3.6 基准测试函数 |
42-46 |
|
3.7 PSO 演示 |
46 |
|
3.8 本章小结 |
46-47 |
|
第4章 基于雁群启示的粒子群优化算法 |
47-56 |
|
4.1 引言 |
47 |
|
4.2 PSO 术语 |
47-48 |
|
4.3 基于雁群启示的惯性权重线性下降算法 |
48-53 |
|
4.3.1 LDW |
48 |
|
4.3.2 基于雁群启示的LDW |
48-51 |
|
4.3.3 实验分析 |
51-53 |
|
4.4 基于雁群启示的收缩因子模型 |
53-54 |
|
4.4.1 CFM |
53 |
|
4.4.2 基于雁群启示的CFM |
53-54 |
|
4.4.3 实验分析 |
54 |
|
4.5 本章小结 |
54-56 |
|
结论 |
56-57 |
|
参考文献 |
57-62 |
|
攻读学位期间发表的学术论文 |
62-63 |
|
哈尔滨工业大学硕士学位论文原创性声明 |
63 |
|
哈尔滨工业大学硕士学位论文使用授权书 |
63 |
|
哈尔滨工业大学硕士学位涉密论文管理 |
63-64 |
|
致谢 |
64 |
|
| 【DOI】 | LunWen.ID:2.2008.388161 |
