基于种群多样性的粒子群优化算法研究

摘要

最优化问题是指在特定的约束条件下,寻找出使得优化目标取得最大值或最小值的最优的可行解。由于当下存在的许多优化问题都是大规模的组合优化问题,该类问题由于决策空间维度高、多极点等特点,所以常规的算法例如最速下降法、牛顿法和共轭梯度法等很难胜任这些场景。作为解决此类问题的算法之一,粒子群优化算法具有更少的控制参数、更快的收敛速度和更好的搜索精度,因此该算法一经提出,便备受学者关注,这反过来也推动了粒子群算法在理论和实际工程优化领域的发展。作者在大量相关文献的基础之上,提出了两种新颖的PSO算法。总结来说,本论文的主要工作内容包括:1.介绍了PSO算法的背景和意义,对新进或者经典的PSO改进算法进行了总结,指出了当前PSO算法领域存在的核心问题——种群多样性丢失导致的过早收敛。2.提出了一种基于新颖多样性评估策略的单种群PSO算法。通过对搜索空间中各个子空间进行编码操作和借助哈希表,可以高效地计算出反映种群真实分布的多样性信息。此外,本文提出了基于种群多样性和进化状态的反映种群对分散需求程度的探索度概念。为了减少评估函数的浪费,扰动更新模式(用最佳位置扰动生成的新位置替换掉较差粒子的位置)被提出以提高种群搜索的效率。3.提出了一种人工扰动多种群协同进化PSO算法。该算法是由三个不同功用的种群(探索种群、开发种群和收敛种群)组成,每个种群采用不同的进化机制来实现其独特的功能。此外,本文还提出了基于粒子位置和适应度的没有信息丢失的多样性评估机制,用来反映种群的真实分布,为参数自适应更新提供依据。最后,为了加速开发种群收敛到局部最优解和协助收敛种群及时地跳出局部最优区域,本文提出了种群部分重建和种群完全重建技术。

目录

摘要

ABSTRACT

第一章 绪论

1.1 研究背景和意义

1.2 粒子群优化算法综述

1.3 研究内容和技术路线

1.3.1 研究内容

1.3.2 技术路线

1.3.3 论文结构

第二章 粒子群优化算法

2.1 最优化问题

2.2 粒子群算法详述

2.2.1 粒子群算法的标准形式

2.2.2 粒子群优化算法相关的控制参数

2.3 粒子群惯性权重调整策略

2.4 种群多样性评估机制

2.5 本章小结

第三章 基于多样性评估机制的单种群粒子群优化算法

3.1 基于多样性评估机制的单种群粒子群优化算法技术路线

3.2 基于多样性评估机制的单种群粒子群优化算法技术细节

3.2.1 探索度的计算

3.2.2 自适应惯性权重调整

3.2.3 种群重新初始化

3.2.4 正常和扰动更新模式

3.3 实验与结论

3.3.1 测试函数集

3.3.2 敏感性分析实验

3.3.3 PSO-ED和其他PSO算法对比实验

3.4 本章小结

第四章 人工生成多种群协同进化粒子群优化算法

4.1 人工多种群粒子群优化算法技术路线

4.2 人工多种群粒子群优化算法技术细节

4.2.1 多样性评估机制和参数自适应调整

4.2.2 人工扰动生成新种群

4.2.3 种群重建技术

4.3 实验与结论

4.4 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献