微粒群优化算法的研究及其在PMD补偿中的应用

摘要

微粒群优化(Particle Swarm Optimization，PSO)算法是由 Kennedy和Eberhart于1995年提出的一类随机群集智能优化算法。同遗传算法相比，PSO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。
　　本文首先详细介绍了基本PSO算法的产生背景、研究现状和应用领域，指出了PSO算法的研究方向和热点，并阐述了PSO算法的基本思想、环节和主要特点。
　　其次，由于PSO算法的性能在很大程度上依赖于控制参数的取值，本文着重分析了参数元组12{w,c,c}对算法收敛性的影响，并对参数元组各系数的选择也做了比较具体的分析。
　　再次，考虑到PSO算法在解空间寻优的过程本身就是一个非线性运动过程，为了平衡算法的全局探索和局部改良能力，本文提出了一种非线性动态自适应调节参数元组12{w,c,c}的方法，使参数元组各系数随微粒目标值的变化而自动改变。另外，舍弃了速度项的简化微粒群算法(SPSO)在保证收敛速度和精度的同时可以使算法更加简练。本文叙述的自适应简化微粒群优化(ASPSO)算法就是基于以上两点而提出的。
　　最后，本文将ASPSO算法引入到偏振模色散(PMD)自适应补偿系统中，用以实现对PMD效应所造成的光纤传输系统性能损伤的动态有效补偿。该补偿系统具有灵敏度高，响应时间短、误差小等优点，在光纤通信系统的传输特性改善方面具有实际应用价值。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 引言

1.2 PSO算法的产生背景

1.3 PSO算法的研究现状及应用领域

1.4 PSO算法的研究方向与热点

1.5 论文的主要内容

第2章 PSO算法

2.1 引言

2.2 PSO算法的基本原理

2.3 基本PSO算法

2.4 基本PSO算法的参数分析

2.5 基本PSO算法的基本环节

2.6 基本PSO算法的流程和特点

2.7 本章小结

第3章 PSO算法的收敛性分析和参数选择

3.1 引言

3.2 PSO算法的收敛性分析

3.3 PSO算法参数选择原则

3.4 本章小结

第4章 自适应简化微粒群优化算法

4.1 引言

4.2 VIVA PSO算法与GLBest PSO算法

4.3 自适应简化微粒群优化ASPSO算法

4.4 ASPSO算法性能测试

4.5 本章小结

第5章 利用ASPSO算法实现PMD补偿

5.1 引言

5.2 二阶PMD补偿技术中反馈控制信号——偏振度

5.3 二阶PMD补偿系统实验装置设计

5.4 偏振控制器中ASPSO算法的作用

5.5 实验眼图效果

5.6 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢

作者简介