基于随机微粒群算法的改进算法研究

摘要

微粒群算法(particle swarm optimization，简称PSO)模拟的是鸟群寻找栖息地的行为。该智能算法的特点是算法简单、易于实现、收敛速度快且需要调整的参数少，自提出以来引起了诸多学者的广泛关注。
　　 论文选取如下两个方面的问题作为研究内容：
　　 (1)在前人工作的基础上将随机微粒群算法和协同进化结合在一起寻求一种更有效的算法。
　　 (2)把微粒群算法和传统优化算法（如信赖域算法、共轭梯度法、最速下降法等）相结合尝试寻找更有效的优化算法。
　　 论文的研究内容主要包括以下几个部分：
　　 第一章是绪论，主要介绍了微粒群算法的历史和现状，本文的创新和突破，以及本文的现实意义。
　　 第二章在多种群协同进化和随机微粒群算法基础上，提出了一种改进的多种群随机微粒群算法，将各个子种群独立地按照随机微粒群进化，周期性的更新共享信息。
　　 第三章在随机微粒群算法和函数梯度信息基础上，提出了基于梯度的随机微粒群算法。数值计算表明算法对于求解连续可微函数的全局优化问题是非常有效的。
　　 第四章提出一种基于协同进化的单纯形随机微粒群算法。该算法采用多个优化种群，分别在奇数种群和偶数种群并行运行随机微粒群法和单纯形法，周期性更新相邻种群最优信息。通过优化两个典型的测试函数验证了算法的有效性。

目录

文摘

英文文摘

第1章 绪论

1.1 基本微粒群算法

1.2 改进的微粒算法

1.2.1 增加惯性权重和收敛因子

1.2.2 与进化计算技巧有机结合

1.2.3 基于领域算子及拓扑结构的改进

1.2.4 构造新的微粒组织或群结构

1.2.5 改进或使用新的位置/速度更新公式

1.2.6 离散二进制PSO算法

1.2.7 其他优化方法

1.3 PSO的应用

1.3.1 神经网络训练

1.3.2 函数优化

1.3.3 其他领域的应用

1.4 微粒群算法发展趋势

1.4.1 算法的理论研究

1.4.2 算法的改进研究

1.4.3 应用领域的拓展

1.5 本文将做的工作

第2章 一种基于协同进化的随机微粒群算法

2.1 引言

2.2 算法的建立

2.2.1 多种群协同进化

2.2.2 随机微粒群算法

2.2.3 协同随机微粒群算法

2.3 算法的有效性和收敛性分析

2.3.1 测试函数

2.3.2 实验方法

2.3.3 实验结果

2.3.4 实验数据分析

2.3.5 收敛性分析

2.3.6 结论

第3章 基于梯度的随机微粒群算法

3.1 引言

3.2 算法

3.2.1 共轭梯度算法

3.2.2 最速下降算法

3.2.3 基于共轭梯度算法的随机微粒群算法

3.2.4 基于最速下降的随机微粒群算法

3.2.5 数值试验

第4章 一种协同进化的单纯形随机微粒群算法

4.1 引言

4.2 算法

4.2.1 单纯形法(SM)

4.2.2 协同进化的单纯形随机微粒群算法

4.3 数值试验

4.3.1 测试函数

4.3.2 实验方法

4.3.3 实验结果

4.3.4 收敛性分析

4.3.5 结论

总结与展望

参考文献

致谢

硕士期间发表文章目录．