粒子群改进算法及在人工神经网络中的应用研究

摘要

粒子群优化（PSO）算法属于经典的群智能算法，具有诸多特点，如参数较少、易于描述和实现、结构简单并且全局搜索能力较强等，因此，被广泛应用于多目标求解、模式识别、复杂函数优化等各个领域。但PSO算法也存在早熟收敛和局部搜索能力差等缺点，如求解高维复杂问题中，在没有搜索到全局最优时，粒子可能将聚集到某个位置停滞不动，即陷入早熟，早熟收敛将无法保证算法在搜索结束后一定能收敛到最优；另外，在搜索后期，也即粒子在极值点区域附近时，收敛速度明显变得缓慢，在寻优后期的粒子搜索能力较差。针对PSO算法的上述不足，学者们提出了许多改进策略的改进算法，使得算法不论是在性能上，还是在效率上都有较大提高。但研究适应性更广、精度更高、性能、效率和相关性更好的计算算法仍然是研究者的重要目标。本文为提高PSO算法的收敛速度和性能，提出一种改进PSO算法并应用到ANN训练，最后将模型应用于水质的评价。
　　本研究主要内容包括：⑴提出一种PSO改进算法。建立一种 Lorenz混沌序列和权值自适应调整的 PSO改进算法，简称LSAPSO算法。算法中，为提高算法的收敛速度，引入自适应权重调整策略；为权衡算法的开发能力与探索能力的同时，尽量避免算法出现早熟收敛，引入将混沌理论产生的混沌序列对开发和探索学习因子进行改进。最后通过对4个常用的多目标测试函数进行实例实验，并与经典的多目标求解算法NSGA II和多目标PSO算法进行性能比较。研究表明，LSAPSO算法的收敛速度较快，求解精度较高，多样性较好。⑵提出一种基于LSAPSO算法和RBF ANN的混合神经网络模型（HANN），简称LSAPSO RBF ANN模型。在LSAPSO RBF ANN中，将LSAPSO算法对RBF ANN的函数中心及扩展常数、网络权值进行优化。模型将各算法的优势相互结合与补充，因而提高的模拟性能。⑶建立了基于HANN的水质评价模型。通过实例验证了HANN模型在评价水质方面的可行性。通过与RBF ANN和PSO RBF ANN两模型的性能分析比较研究表明，HANN模型在水质评价上，预测精度和相关性上均表现较好。⑷将PSO算法、Lorenz混沌理论、ANN等技术相结合，提出了一种改进的PSO算法和一个HANN水质评价模型。模型给水质评价等许多工业问题提供了一种有效可行且精度较高的预测方法，可供众多研究领域借鉴和参考，有很好的应用前景。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究现状分析

1.3 研究内容

1.4 论文组织结构

1.5 本章小结

第二章 粒子群算法

2.1 概述

2.2 标准PSO算法

2.3 算法的数学描述

2.4 优势和局限性

2.5 应用与发展趋势

2.6 本章小结

第三章 粒子群改进算法

3.1 粒子群算法改进策略

3.2 粒子群改进算法

3.3 算法性能测试实验

3.4 本章小结

第四章 粒子群改进算法在人工神经网络中的应用

4.1 径向基人工神经网络

4.2 基于粒子群改进算法的径向基人工神经网络模型

4.3 模型在水质评价中的应用

4.4 本章小结

第五章 结论与展望

5.1结论

5.2展望

致谢

参考文献