基于遗传思想改进的粒子群优化算法与应用研究

摘要

粒子群算法(PSO)属于带有全局策略和启发性质的群体智能进化计算方法，来自对鸟类群体觅食活动的生物模拟所衍生出基本思想，由美国心理学家Kennedy和电气工程师Ebethart于1995年共同提出，是一种新兴的基于群智能理论的计算技术。该算法主要通过种群粒子间竞争以及合作机制对搜索过程进行优化指导，具有良好的通用性及全局性。PSO算法已经成为群体智能的典型代表，并因其具有高效率的全局优化结果而被广泛的应用。适用于各种复杂优化问题及组合优化问题，算法原理简单、容易操作实现、快速寻优收敛，近十年来一直是专家学者研究人工智能的一个重要分支。
　　 针对粒子群算法容易早熟收敛、搜索精度不高、在迭代的后期效率低、容易陷入局部极优点等缺陷提出改进办法，并应用于更加拓展的领域，具有重要的理论价值和现实意义。本文在分析了PSO算法的基本原理和发展的基础上，提出改进方案并进行应用实验。主要研究工作和创新点可归纳如下:
　　 首先，提出了一种改进的粒子群优化算法(GAPSO)。在研究、分析了群体智能算法的特点和原理，以及采用粒子群算法与其它算法进行比较后，得出将算法进行融合是较为可行的改进办法。遗传算法无论从性质还是特点都与粒子群算法能够产生很好地配合，所以将遗传操算子引入到PSO算法的迭代过程中，进行相应的选择、交叉、变异操作，并采取惯性权重因子非线性递减机制，从而产生一种基于遗传操作算子且惯性权重因子非线性递减的改进粒子群优化算法。最后采用4个标准测试函数对改进的算法是否具有良好法的性能进行优化验证，仿真结果证明了该改进优化算法不仅有效地克服了传统PSO算法的固有缺陷，而且提高了算法的搜索精度，避免了早熟收敛、局部极值现象的发生。
　　 其次，利用该改进的优化算法(GAPSO)优化PID控制器参数。PID控制器参数的设定值能直接影响控制器的控制性能，是一种基于误差进行反馈最终达到消除或尽可能减小误差的控制策略，控制原理简单，易于操作实现，并有较高的可靠性。由于整定参数关乎整个PID控制应用的核心，为了取得良好的参数优化效果将改进的粒子群算法(GAPSO)应用到PID参数调整及优化整定中，仿真结果证明了该算法具有更好的参数优化效果。
　　 最后，提出了基于蜂群策略惯性因子递减的遗传粒子群算法(GAPSO-BC)优化训练神经网络。为验证本章提出的优化训练法确实有效，将其引入分类问题和函数图形逼近等实际应用中，仿真结果证明该优化算法可以较好地克服传统神经网络存在的各种问题，使神经网络泛化能力得到增强，同时还提高了训练的学习能力和收敛速度。

目录

声明

摘要

第1章 绪论

1．1 算法研究背景及意义

1．2 粒子群算法的研究现状

1．2．1 理论研究现状

1．2．2 离散粒子群研究现状

1．2．3 应用研究现状

1．3 本文的研究重点与章节安排

1．3．1 研究重点

1．3．2 论文结构

第2章 算法的理论基础研究

2．1 优化知识概述

2．1．1 优化问题的内涵

2．1．2 优化算法及其分类

2．2 智能优化算法

2．2．1 进化类智能算法

2．2．2 群体智能

2．2．3 其他智能算法

2．2．4 无免费午餐定理(NFLT)

2．3 粒子群优化算法概述

2．3．1 PSO的基本结构框架

2．3．2 PSO的邻域结构简述

2．3．3 粒子群算法改进的探索方向及原则

2．4 本章小结

第3章 基于遗传的粒子群优化算法

3．1 引言

3．2 改进的优化算法机制

3．2．1 惯性权重因子的非线性减小

3．2．2 遗传操作的实现

3．3 算法流程

3．4 算法仿真实验与性能分析

3．5 本章小结

第4章 GAPSO优化算法的PID参数整定

4．1 引言

4．2 PID控制器整定原理

4．2．1 PID控制原理

4．2．2 PID控制参数整定概述

4．3 改进的算法(GAPSO)对PID参数整定

4．3．1 评价函数

4．3．2 算法实现

4．4 仿真实验与分析

4．5 本章小结

第5章 改进的GAPSO算法训练神经网络

5．1 神经网络概述

5．1．1 神经网络理论知识

5．1．2 神经网络结构

5．1．3 神经网络的学习

5．2 粒子群算法优化神经网络的研究现状

5．3 基于惯性权重非线性递减的GAPSO-BC训练算法

5．3．1 蜂群优化算法的概述

5．3．2 PSO算法在神经网络训练中的应用

5．3．3 基于GAPSO-BC算法的神经网络训练

5．4 算法性能仿真实验

5．4．1 性能验证

5．4．2 GAPSO-BC算法训练神经网络逼近非线性函数

5．5 本章小结

结论

参考文献

攻读硕士学位期间所发表的学术论文

致谢