一种基于动态NW小世界网络的粒子群算法

摘要

为解决粒子群算法因种群多样性降低而过早收敛于局部最优解的问题，本文提出了基于动态NW小世界网络邻域拓扑的NWPSO算法，和基于病毒传播模型的VPPSO算法。NWPSO算法以基于坐标位置的k近邻网络作为初始邻域拓扑结构，在算法的迭代过程中，通过添加随机边的策略来增强邻域拓扑结构的小世界特性。VPPSO算法将共享信息作为在k近邻网络中传播的病毒，通过调整传播概率的方式来控制信息的传播速率。VPPSO算法和NWPSO算法都具有动态调整种群多样性的能力，其中NWPSO算法中的基于坐标位置的NW小世界网络将粒子群分割为不同的社团结构，能够有效保障种群的多样性。
　　仿真结果表明，与传统的改进PSO算法相比，NWPSO算法和VPPSO算法在单模态函数的优化过程中取得了较好的优化效果，说明NWPSO算法和VPPSO算法具有较高的优化效率；在多模态函数和旋转多模态函数的优化过程中不易陷入局部最优解，说明NWPSO算法和VPPSO算法能够维持较高的种群多样性，对复杂问题具有较强的开发能力。

目录

封面

声明

中文摘要

英文摘要

目录

1. 绪论

1.1研究背景和意义

1.2粒子群算法的研究现状

1.3本文的主要内容

2. 粒子群算法简介

2.1基本粒子群算法简介

2.2粒子轨迹收敛性分析

2.3粒子群算法的参数优化

2.4混合粒子群算法

3. 粒子群算法的拓扑结构

3.1静态网络拓扑结构

3.2动态网络拓扑结构

3.3小世界网络

4. 基于动态NW小世界网络的粒子群算法

4.1规则网络

4.2基于动态NW网络的NWPSO算法

4.3 NWPSO算法收敛性分析

4.4基于病毒传播模型的VPPSO算法

5. 仿真试验

5.1 Benchmark函数

5.2 PSO算法评价指标

5.3函数优化结果分析

5.4种群多样性分析

总结与展望

参考文献

在学期间发表的学术论文和研究成果

致谢