PSO算法的改进及其在约束多目标中的应用

摘要

自20世纪80年代以来,智能优化算法(如神经网络、遗传算法)通过模拟某些自然现象发展起来,为优化理论提供了崭新的思想,并在许多实际工程中得已广泛应用。粒子群优化(Particle Swarm Optimization,PSO)算法作为一种新兴的进化算法,不依靠遗传算子来操作个体,通过粒子自身的“个体极值”和群体中的“全局极值”来交互信息,具有操作简单、易于实现和收敛速度较快等特点,现已广泛应用于函数优化、神经网络、模式识别等多个领域。 本文首先详细地介绍了PSO算法的基本原理和发展现状,对算法的收敛性和参数选择做了分析,并与GA进行比较,指出了PSO存在的局限性。 其次,从参数改进及拓扑结构入手,分析了PSO算法存在过早收敛的根本原因,并根据生物进化的实际,提出了“具有综合学习机制的粒子群算法”；另外,将Christos贪心算法和模拟退火算法引入PSO中,提出了“自适应分区段混合粒子群优化算法”,较好地解决了PSO算法的过早收敛问题。 再次,本文将PSO算法应用于求解约束多目标问题,并在其中引入自适应半可行域和约束占优的概念,形成了基于PSO的求解约束多目标优化算法,从而使产生的非劣解尽可能地靠近真实的Pareto前沿,并保持均匀分布。最后,将此算法应用于风险投资的实际工程中优化决策,进一步体现了PSO算法的优越性。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2本文的研究成果

1.3本文的组织

第二章粒子群算法

2.1引言

2.2 PSO算法基本原理

2.3 PSO算法的发展

2.3.1二进制PSO

2.3.2 PSO参数的改进与优化

2.3.3 PSO拓扑结构的改进

2.3.4 PSO与其它进化技术结合形成混合算法

2.4 PSO算法的收敛性分析及参数选取

2.5 PSO算法的应用

2.5.1神经网络的训练

2.5.2函数优化

2.5.3组合优化

2.5.4其他应用

2.6 PSO算法与GA的比较及局限性

2.6.1 PSO和GA的相同点

2.6.2 PSO和GA不同点

2.6.3 PSO的局限性

2.7本章小节

第三章具有综合学习机制的粒子群算法

3.1引言

3.2基本粒子群优化(BPSO)算法及相关知识

3.3具有综合学习机制的PSO算法(PSO_wssm)

3.4 PSO_wssm算法流程

3.5仿真实验

3.5.1基准函数

3.5.2参数设置和对比实验

3.6本章小节

第四章自适应分区段混合粒子群优化算法

4.1引言

4.2基本PSO算法及问题的提出

4.3混合粒子群优化算法(HPSO)

4.3.1 Christos贪心算法分区原理

4.3.2 Boltzmann选择原理

4.3.3 HPSO算法流程

4.4仿真实验

4.4.1基准函数

4.4.2参数设置和对比实验

4.5本章小节

第五章基于PSO的约束多目标优化算法

5.1引言

5.2进化算法求解多目标优化问题的现状

5.3多目标优化相关知识

5.4基于PSO的求解约束多目标问题优化算法

5.4.1自适应半可行域

5.4.2约束占优原理

5.4.3基于PSO的多目标优化算法

5.4.4个体适应值计算原理

5.4.5算法基本流程

5.5仿真实验

5.6本章小节

第六章粒子群算法在风险投资中的应用

6.1引言

6.2风险投资问题描述

6.3风险投资的数学模型

6.4仿真实验

6.4.1初始化设置

6.4.2实验结果及其应用

6.5本章小节

总结与展望

本文的主要创新点

关于未来研究的展望

参考文献

攻读硕士学位期间取得的研究成果

致谢