融合热运动机制的粒子群优化算法研究及其应用
【摘要】:
智能是生命世界中最古老、最复杂和最奇妙的话题。古今中外,无数学者都曾对它进行过深入的思考和大胆的探索。半个世纪前,十多位数学、心理学和信息论方面的优秀学者为了利用计算机模拟自然智能尤其是人类智能而提出了“人工智能”这一崭新的学科,在随后几十年的发展过程中,人工智能得到了长足发展并形成了不同学术流派,然而制约人工智能发展的瓶颈也愈发突出。作为传统人工智能的延伸和扩展,计算智能与人工智能技术相互交叉和取长补短,在模拟非线性推理、模糊概念、记忆等方面表现优异。作为一种新的关于智能的描述方法,群智能已逐渐成为计算智能中新的研究热点。
粒子群优化算法(PSO)是两种典型的群智能优化算法之一,由于其原理简单,既有传统演化计算技术深刻的背景又有自身独特的优化性能,自从提出以来,一直受到计算智能领域众多学者的广泛关注。鉴于此,计算智能领域的顶级期刊之一《IEEE Transactions on Evolutionary Computation》在2004年刊出了PSO的专刊,Eberhart和Shi在卷首语中指出了PSO今后五个研究热点和方向:算法理论、种群拓扑结构、参数选择与优化、与其他思想融合的混合算法和应用。根据这一指导思想,本文借鉴统计物理和热力学中的机制来设计和改进PSO算法,包括分子力、伊藤过程、扩散现象三个方面,然后把提出的改进PSO算法应用于非线性模型的参数估计,并设计和实现了PSO算法平台。全文主要内容和创新点如下:
1.保持粒子的多样性是提高PSO算法性能的关键,受分子运动论思想的启发,提出了基于分子力的粒子群优化算法(MPSO)。类比热力学分子系统,在MPSO中引入了粒子间的分子力、群质心和粒子加速度共三个概念并对粒子的速度更新公式进行了改造。根据粒子与群质心距离的远近,分子力在斥力和引力之间转换并控制粒子的飞行方向以决定粒子是朝着群质心飞行还是远离它,从而有效地协调种群的多样性,使算法能够有效地平衡全局和局部搜索。此外,采用正交试验设计的方法对MPSO额外引进的两个参数进行了选择与优化。
2.为了改善PSO的收敛速度,在布朗运动、伊藤过程和伊藤算法的启示下,提出了一类伊藤算法和PSO算法的混合算法。首先提出漂移算子和PSO的混合算法(IPSO1), IPSO1中粒子没有速度属性,引入了吸引子的概念,实验证明IPSO1相对于标准PSO收敛速度有较大提高但稳定性不足。为了解决此问题,在IPSO1基础上采取了两种策略,一是继续引入伊藤算法中的波动算子并利用差分变异算子来设计波动算子,另一是引入热力学选择机制,其中给出了粒子的相对能量、等级熵、自由能分量等定义,进一步的实验结果表明后两种算法在保留了IPSO1收敛速度快特点的同时,并具有良好的健壮性和稳定性。
3.鉴于多种群的思想可以有效地提升PSO算法的性能,受自然界扩散和迁徙现象的启发,提出了基于物理学中热扩散机制的双种群粒子群优化算法(DPSO), DPSO中定义了粒子的扩散能、种群温度、粒子的扩散概率共三个概念。两个种群中的粒子根据各自的扩散概率被选入各种群的扩散池中,通过扩散池来实现种群之间信息的共享和扩散,从实验结果可以推断DPSO算法比PSO算法在中后期具有更好的进化能力。
4.参数估计是系统辨识和回归分析中非常关键的环节,它关系到非线性模型的应用和推广。把非线性模型的参数估计问题转化成一个无约束的多维函数优化问题,以自然科学和社会科学中广泛使用的渐近回归模型和逻辑斯蒂模型为例,利用前述提出的四种改进PSO算法对两模型进行参数估计。实验中采用了真实数据、无噪声的随机采样数据以及添加了高斯噪声的采样数据,并利用后两类数据分析了参数估计的维数、采样区间和噪声强度对算法性能的影响,研究结果表明PSO算法是一种行之有效的非线性模型的参数估计方法。
5.算法平台对于保证算法研究的连续性、成果保存、对比分析等方面起着举足轻重的作用,在分析了设计模式中各模式的适用范围和优缺点的基础上,利用策略模式对PSO算法平台进行设计,采用一系列策略类对不同的PSO算法进行封装,考虑程序的执行效率与方便于图形展示,最后采取了VC与MATLAB混合编程的措施对平台进行实现。
|
|
|
|
1 |
吴庆洪;张颖;马宗民;;粒子群优化算法及其应用综述[J];微计算机信息;2010年30期 |
2 |
李丙春;;粒子群优化算法及其应用[J];喀什师范学院学报;2006年03期 |
3 |
刘彤彤;;基于小波网络的复杂系统建模方法研究[J];科技咨询导报;2007年11期 |
4 |
吴文珍;梁兴柱;房会军;马爱琴;;粒子群优化算法在管道保温优化设计中的应用[J];大庆石油学院学报;2007年03期 |
5 |
史海军;王志刚;郭广寒;;引入变异算子的粒子群优化算法[J];长春理工大学学报(自然科学版);2007年03期 |
6 |
郭伟;陈广义;;神经网络基于改进型粒子群算法的研究[J];佛山科学技术学院学报(自然科学版);2007年05期 |
7 |
关圣涛;楚纪正;邵帅;;粒子群优化算法在非线性模型预测控制中的研究应用[J];北京化工大学学报(自然科学版);2007年06期 |
8 |
林令娟;刘希玉;;动态自适应微粒群优化算法[J];信息技术与信息化;2009年02期 |
9 |
杨晓燕;;一种离散型多目标粒子群优化算法[J];莆田学院学报;2010年02期 |
10 |
赵建辉;张宪;李志勇;李良洪;付少波;;粒子群优化点匹配算法[J];微计算机信息;2010年15期 |
11 |
湛燕;陈昊;;使用粒子群优化算法学习聚类算法的参数[J];大众科技;2010年06期 |
12 |
周洪斌;;基于OpenMP求解QAP的并行粒子群优化算法[J];微型机与应用;2010年10期 |
13 |
李炳宇;萧蕴诗;;新的进化计算算法——粒子群优化算法[J];计算机科学;2003年06期 |
14 |
李炳宇,萧蕴诗,汪镭;PSO算法在工程优化问题中的应用[J];计算机工程与应用;2004年18期 |
15 |
李辉,张安,赵敏,徐琦;粒子群优化算法在FIR数字滤波器设计中的应用[J];电子学报;2005年07期 |
16 |
刘玉敏,俞重远,张建忠,张晓光,杨红波,张娜,杨伯君;粒子群优化算法用于光纤布拉格光栅综合问题的研究[J];激光杂志;2005年04期 |
17 |
邹彤;李宁;孙德宝;岑翼刚;;带阴性选择的粒子群优化算法[J];华中科技大学学报(自然科学版);2006年02期 |
18 |
潘昊;侯清兰;;基于粒子群优化算法的BP网络学习研究[J];计算机工程与应用;2006年16期 |
19 |
葛晓慧;黄进;;一种基于粒子群优化算法的混沌控制方法[J];电路与系统学报;2006年06期 |
20 |
文瑾;;基于VB语言的粒子群优化算法描述[J];昆明大学学报;2006年04期 |
|