粒子群优化算法的参数及迭代次数选择的研究

摘要

粒子群优化算法是群体智能算法的一个新的范例,它是现代启发式最优化算法中的一个新算法。粒子群优化算法起源于社会心理学和人工生命,由于受到群体智能领域的强烈启发,Kennedy和Eberhart在1995年提出了这个模型,它是对人类社会行为的模拟。粒子群优化算法已被成功应用于非线性函数最优化和神经网络训练。 该算法基于个体通过彼此间的相互作用从而获得关于搜索空间的信息这个概念。之所以引入社会的规范,是因为个体倾向模拟它们成功的同伴。在这个算法中,每个个体将会回到截止目前它找到的最好解,并且模仿与它相邻的个体所找到最好解。当接近最小值时,尽管粒子群优化算法可能会放慢收敛速度,但是它却能快速地收敛到最优位置。粒子群优化算法的快速收敛性和较小的计算需求使它成为解决最优化问题的一个很好的候选方法。 粒子群优化算法是一种通过粒子间的相互作用从而寻找复杂空间的最优区域的一种算法。有些人已经对粒子群优化算法的参数选择和收敛性进行了研究。本文一方面主要分析了简化粒子群算法的动态行为和收敛性,通过分析, 为一般的粒子群参数选择提供了定性的指导方针；另一方面,由于在粒子群优化算法中,满足迭代准则的迭代次数是一个非常关键的变量,本文分析了如何选择粒子群的迭代次数。 通过分析,得到了如何确定粒子群迭代次数的方法。由此可以恰当的选取合适的迭代次数作为粒子群算法的迭代准则,从而使得预先设置的迭代次数不再那么盲目。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景

1.2群体智能算法

1.2.1蚁群算法

1.2.2粒子群优化算法

1.3粒子群优化算法的意义

1.4粒子群优化算法的展望

1.5本文的主要工作

1.6本文的组织结构

第二章粒子群优化算法

2.1粒子群优化算法的起源

2.2粒子优化算法的发展

2.3粒子群优化算法基本原理

2.4粒子群算法流程

2.5粒子群算法的种群拓扑结构

2.6粒子群优化算法的特征

2.7粒子群优化算法与其他进化算法的比较

2.8粒子群优化算法的局限性

2.9粒子群优化算的应用

2.10本章小结

第三章粒子群优化算法的参数选择的研究

3.1带惯性权重的粒子群优化算法

3.2带收敛因子的粒子群优化算法

3.3常用的参数调整方法

3.3.1对惯性权重的调整

3.3.2对最大速度的动态调整

3.4参数选择

3.5收敛性分析

3.6本章小结

附图

第四章粒子群优化算法的迭代次数选择的研究

4.1基准函数

4.2三个因变量

4.3惯性权重和收敛因子的比较

4.4粒子群简化系统

4.5选择迭代次数的方法

4.6本章小结

总结与展望

1总结

2展望

参考文献

攻读硕士学位期间取得的研究成果

致谢