运用种群多样性动态调整机制的粒子群优化算法研究

摘要

最优化问题广泛存在于科学研究、经济管理等领域,优化问题存在的普遍性促使优化技术和优化算法不断进步。随着工业技术和科学研究的快速发展,现实的优化问题也变得越来越复杂,研究者开始致力于提出更为高效的优化算法。
　　粒子群算法是智能算法中一个新的技术,它不仅能很好地处理复杂高维的问题,在一些领域知识贫乏的问题中也尤为有效。由于其原理简单、参数便于调整等优点,自诞生以来备受研究者的关注。粒子群优化算法作为一种基于群体协作的智能算法,其种群多样性是一个重要研究焦点。种群的多样性描述个体行为和群体的变化趋势,决定了整个算法的进化活力和收敛性能。充分考虑到种群多样性变化对算法寻优能力的影响,本文从保持种群多样性的角度出发,展开对粒子群优化算法的性能改进研究,论文的主要工作如下:
　　本文深入分析了社会结构与多样性的关系,采用多生态子群的社会结构,每个生态子群在各自的社会环境中寻求极值点,减缓粒子的聚集过程,在进化初期有效地保持了种群多样性。
　　提出全信息学习策略和差异融合策略两种多样性动态调整机制。全信息学习策略以全信息粒子作为粒子间的沟通桥梁,该粒子汇集了生态子群内所有粒子的优秀信息。在算法的进化过程中通过动态变化全信息粒子的计算参数,调整粒子的聚合比例,为粒子的学习带来更多选择,其动态性有利于粒子运动方向的多元化发展。差异融合策略以种群变化趋势为标识,实时监控并调整社会结构,从而动态调整多样性在进化过程中的变化趋势。
　　通过经典测试函数和物流实例验证本文算法的性能,实验结果表明算法不仅拥有优秀的寻优能力,而且具有很强的实用性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景

1.2 本文研究内容

1.3 文章的组织结构

第2章 优化问题及群智能

2.1 最优化问题

2.2 优化算法

2.3 群智能算法

2.4 本章小结

第3章 粒子群优化算法及其多样性

3.1 PSO算法

3.2 粒子群算法的改进

3.3 PSO的种群多样性

3.4 本章小结

第4章 动态调整种群多样性的改进粒子群算法

4.1进化学理论与社会结构

4.2 多样性动态调整机制

4.3 FIDEPSO算法

4.4 算法的收敛性

4.5 本章小结

第5章 实验测试与分析

5.1 函数性能测试

5.2 物流问题中的实际应用

5.3 本章小结

第6章 总结与展望

6.1 总结

6.2 工作展望

参考文献

致谢

附录A 攻读硕士学位期间参与项目和学术论文发表