收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

粒子群算法研究及应用

秦全德  
【摘要】:群体智能是指众多行为简单的个体在相互作用过程中涌现产生的整体智能行为。群体智能由于原理简单、容易实现、全局搜索能力强的特点,目前已经成为计算机、工程、管理、经济、生物等学科的研究热点和前沿领域。粒子群算法(Particle Swarm Optimization, PSO)是群体智能中较新的一种优化方法,其搜索过程基本不利用外部信息,仅仅以适应度函数作为进化的依据,从而形成一种“生成+检验”为特征的智能计算方法。然而,同与所有随机搜索算法一样,PSO在求解较复杂的问题时容易陷入局部最优。本文在分析PSO目前研究现状的基础上,从不同的角度提出了几种改进算法,使之更加有效可靠;并将提出的改进算法应用于经济管理中的实际问题,拓展粒子群算法的应用领域。 本文主要的内容概括如下: (1)介绍了传统优化方法和进化计算,重点探讨了群体智能的发展、特点和几种典型的群体智能方法。在阅读大量文献的基础上,按照作者的理解对PSO的研究现状与应用进行了归纳和总结,较为深入地分析了PSO中3个重要要素:邻域结构、边界约束处理和速度限制。 (2)PSO是源于对社会型群居动物的行为模拟,因此将自然界的一些生物行为融入PSO中是一条潜在可行的改进途径。本文第三章提出了3种基于生物行为的PSO改进方法:基于生物寄生的双种群PSO(PSOPB)、模拟生物理想自由分布模型的PSO(IFDPSO)以及基于predator-prey行为的改进PSO(PPPSO)。PSOPB由宿主群和寄生群两个种群组成,两个种群之间模拟自然界中生物的兼性寄生行为,并考虑了“优胜劣汰”的进化法则。在分析生物觅食行为中资源斑块选择理想自由分布模型的基础上,提出了一种新型的粒子群算法—IFDPSO。IFDPSO将所有粒子中3个不重叠的个体最优位置的适应度视为资源斑块的食物质量,并根据理想自由分布模型随机分配相应数量的粒子到各个资源斑块中,从而保证了群体的多样性和算法的全局搜索能力。在分析生物的捕食—被捕食(predator-prey)行为规律的基础上,提出了一种由predator和prey两个种群构成的PSO(PPPSO)。predator种群间隔一定的迭代次数排斥prey种群,逐步向prey种群的群体最优位置靠近,同时每个prey粒子尽量逃离距离最近的predator粒子。采用这样的机制,提高了摆脱局部最优的能力。多个测试函数的仿真实验证明了3种算法的有效性。 (3)鉴于单一智能算法在实际应用中面临各自的问题,相互之间的促进与补充便成为自然的选择。在分析PSO与人工蜂群算法(Artificial Bee Colony, ABC)的各自优势和缺陷的基础上,提出了一种以PSO为主,在适当的时候嵌入ABC邻域算子的混合算法(PSOABC)。在对PSO搜索原理简要分析的基础上,提出了PSOABC中2种ABC邻域算子方法:O邻域算子和R邻域算子。综合考虑PSO的邻域结构和2种ABC邻域算子,构建了4种不同类型的PSOABC。对4种不同类型的PSOABC仿真实验结果表明R邻域算子性能优于O邻域算子。将R邻域算子的PSOABC与其他几种PSO的实验结果进行比较表明带R邻域算子的PSOABC具有快速的收敛速度和搜索精度,是一种可靠的全局优化方法。 (4)在分析基本PSO学习策略缺陷的基础上,本文第五章提出了2种新的学习策略的改进PSO:交互学习的双种群粒子群算法(ILPSO)和自适应的正交学习粒子群算法(SOLPSO)。ILPSO是启发于人类社会行为的特征,不同群体之间可以交互学习。由于交互学习的机制,群体的多样性可以得到维护,从而不容易陷入局部最优,测试函数的实验结果证明其有效性。针对PSO中的“两进一退”的现象,将PSO的每一维看成是影响试验结果(函数适应度值)的一个因素,利用种群中其他个体的信息,通过正交试验组合可以产生更优的个体最优位置,从而有利于加快收敛速度和提高搜索的精度。SOLPSO中提出了4种正交组合方法,并分析它们各自优势和缺陷,设计了一种根据算法的进程自适应调整正交组合方法的策略。多个测试函数的仿真实验表明了提出的两种算法的有效性。 (5)建立了连续型物流配送中心选址的数学模型,并根据问题的特点,设计了合适的粒子编码方案。在考虑现实情况下,构建了一类离散Mean-CVaR投资组合模型,通过增加一个特定的惩罚项,将离散问题转化为连续问题的求解。提出的PSOPB和SOLPSO分别用于两类模型的求解,结果表明了它们的有效性。 最后,总结了本文的研究成果,并对未来的研究方向提出了进一步的展望。


知网文化
【相似文献】
中国期刊全文数据库 前18条
1 秦全德;李荣钧;;模拟生物理想自由分布模型的粒子群算法[J];控制与决策;2011年12期
2 莫愿斌;刘付永;马彦追;;模拟生物理想自由分布模型的萤火虫算法[J];计算机与应用化学;2014年02期
3 ;下期要目[J];控制与决策;2011年11期
4 王志刚;;一种改进的粒子群算法[J];哈尔滨商业大学学报(自然科学版);2009年04期
5 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期
6 李炳宇,萧蕴诗,吴启迪;一种基于粒子群算法求解约束优化问题的混合算法[J];控制与决策;2004年07期
7 安宁;张军;季伟东;;基于竞争侵略策略的粒子群算法[J];智能计算机与应用;2020年11期
8 赵延龙;滑楠;于振华;;基于二次搜索的改进粒子群算法[J];计算机应用;2017年09期
9 周慧;;基于粒子群算法的最优值求解[J];科技广场;2017年12期
10 黄震;曾科翰;古志文;;一种混合算法在车辆路径问题上的应用[J];惠州学院学报(社会科学版);2012年06期
11 于桂芹;李刘东;袁永峰;;一种结合自适应惯性权重的混合粒子群算法[J];哈尔滨理工大学学报;2016年03期
12 林浩;许维胜;;基于离散粒子群算法的应急物资调度系统研究[J];电脑知识与技术;2008年25期
13 周海滨;;电阻率测深数据的粒子群算法反演[J];红水河;2019年06期
14 杨启文;阮姗娜;陈俊风;李彬;;群体智能在旅行商问题中的应用综述[J];自动化技术与应用;2016年08期
15 于海艳;杜晓燕;卫佩佩;;粒子群算法结合最速下降法的混合算法[J];信息工程大学学报;2018年01期
16 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期
17 邓伟林;胡桂武;;粒子群算法研究与展望[J];现代计算机;2006年11期
18 李雪玉;薄景山;王福昌;杨元敏;;基于带压缩因子粒子群算法标定设计反应谱[J];地震工程与工程振动;2021年02期
中国重要会议论文全文数据库 前20条
1 陈文雯;刘友宽;孙建平;;基于群体智能的系统辨识[A];物联网与电力新技术——2014年云南电力技术论坛论文集[C];2014年
2 翟永波;汪伟;;粒子群算法在天线波束综合中的应用[A];2013年全国天线年会论文集(下册)[C];2013年
3 廖剑波;监浩军;黄浩斌;林泽炜;高仁栋;陈超;郑原俊;戴小青;;基于改进粒子群算法的变电站选址定容[A];福建省电机工程学会2020年学术年会获奖论文集(上册)[C];2021年
4 杨乐山水;卢弘;乔非;;基于学习型粒子群算法的高能效并行机调度方法研究[A];2021中国自动化大会论文集[C];2021年
5 刘高村;朱家富;陈先洁;张翔;;基于自适应惯性权重粒子群算法的大地电磁正反演[A];2020年中国地球科学联合学术年会论文集(十五)—专题四十三:海洋地球物理、专题四十四:海啸及海啸预警研究、专题四十五:电磁地球物理学研究应用及其新进展[C];2020年
6 杨思悦;;基于聚类融合交叉粒子群算法的疏散路径规划研究[A];2020中国消防协会科学技术年会论文集[C];2020年
7 吴远;沈鹏飞;朱震海;王典炜;曹志强;王其;李坤;孙君传;;改进粒子群算法在Massive MIMO波束优化的应用研究[A];推动网络演进 促进应用创新——5G网络创新研讨会(2021)论文集[C];2021年
8 刘兰军;翟永庆;郑俊俊;范萍萍;邓莉;;基于深度学习的土壤氮含量可见/近红外光谱建模[A];第21届全国分子光谱学学术会议暨2020年光谱年会论文集[C];2020年
9 闫利;胡纹;;基于CFD结合粒子群算法的城市健康布局优化[A];2020中国建筑学会学术年会论文集[C];2020年
10 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集(第七分册)[南京理工大学学报(增刊)][C];2009年
11 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年
12 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届(2011年度)学术年会论文集(上)[C];2012年
13 王征;刘大宝;王家林;王永骥;;基于离散粒子群算法的船舶电力系统重构研究[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
14 王波;肖健梅;王锡淮;;基于改进粒子群算法的车辆路径问题研究[A];2007中国控制与决策学术年会论文集[C];2007年
15 张顶学;关治洪;刘新芝;;多种群并行粒子群算法研究[A];第二十六届中国控制会议论文集[C];2007年
16 黄胜;任万龙;王超;何新;;多目标粒子群算法在翼型优化的应用[A];第二十五届全国水动力学研讨会暨第十二届全国水动力学学术会议文集(上册)[C];2013年
17 张国英;周俊武;沙芸;;基于约束惩罚的群体智能聚类算法[A];第四届全国信息检索与内容安全学术会议论文集(上)[C];2008年
18 王莹;盛四清;;基于改进粒子群算法的电压薄弱区域恢复[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集(上册)[C];2008年
19 孟繁敏;杨彬;张其林;;改进的粒子群算法在钢框架截面优化中的应用[A];第十三届全国现代结构工程学术研讨会论文集[C];2013年
20 孔宪仁;秦玉灵;罗文波;;带飞行因子的粒子群算法的铝蜂窝板模型修正[A];结构及多学科优化工程应用与理论研讨会’2009(CSMO-2009)论文集[C];2009年
中国博士学位论文全文数据库 前20条
1 秦全德;粒子群算法研究及应用[D];华南理工大学;2011年
2 王雪飞;粒子群算法的动态拓朴结构研究[D];西南大学;2008年
3 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年
4 孙涛;量子粒子群算法研究及在热力管网优化中的应用[D];中国石油大学(华东);2018年
5 程诗信;面向气动外形优化的改进多目标粒子群算法研究[D];西北工业大学;2018年
6 刘天宇;基于协作学习和文化进化机制的量子粒子群算法及应用研究[D];西安电子科技大学;2017年
7 孟丽;粒子群算法及其在分数阶系统辨识中的应用研究[D];华北电力大学(北京);2016年
8 韩佳伟;多层级苹果预冷过程模拟及预冷控制决策优化[D];北京工业大学;2018年
9 钟继如;基于混合粒子群算法的小冲杆试验预测材料强度的研究[D];华东理工大学;2019年
10 冯茜;基于改进粒子群算法的多目标优化及其应用[D];北京科技大学;2022年
11 王学厚;群体智能优化的计算模式和方法研究与应用[D];华北电力大学;2011年
12 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年
13 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年
14 王芳;粒子群算法的研究[D];西南大学;2006年
15 李建军;基于群体智能的多AUV协同任务分配方法研究[D];哈尔滨工程大学;2018年
16 王康平;群体智能新方法在优化和模拟中的研究[D];吉林大学;2008年
17 薛尧予;群能量守恒粒子群算法及其在发酵过程控制中的应用研究[D];北京化工大学;2010年
18 刘钊;改进粒子群算法及其在轿车车身优化设计中的应用研究[D];上海交通大学;2016年
19 岳本贤;粒子群算法拓展研究及在约束布局优化中应用[D];大连理工大学;2012年
20 雷开友;粒子群算法及其应用研究[D];西南大学;2006年
中国硕士学位论文全文数据库 前20条
1 李玉毛;粒子群算法的研究及改进[D];西北大学;2009年
2 严阳;粒子群算法的改进及其在非线性问题中的应用[D];华南理工大学;2010年
3 陈振文;基于人工蜂群和粒子群算法的混合优化算法[D];中国石油大学(华东);2019年
4 杜玉平;关于粒子群算法改进的研究[D];西北大学;2008年
5 吕金霖;量子粒子群算法研究及其数据分类[D];西安电子科技大学;2012年
6 祁佳;粒子群算法的改进与应用研究[D];南京信息工程大学;2008年
7 王献东;基于群体智能的真假肺结节分类算法研究与实现[D];东北大学;2012年
8 董兆成;回溯机制的掠食粒子群算法研究[D];燕山大学;2014年
9 李佩;改进粒子群算法在电力系统无功优化中的应用[D];陕西理工大学;2020年
10 陈涛;基于无标度网络的改进粒子群算法研究[D];云南大学;2018年
11 张庆;基于改进型混沌映射的粒子群算法及其在天线参数优化中的应用[D];云南大学;2018年
12 张冰;改进粒子群算法及在线状构造体活动特征反演中的应用研究[D];长安大学;2019年
13 康朝虎;融合向—位错模型和量子粒子群算法的断层参数反演研究[D];长安大学;2019年
14 李红魁;基于粒子群算法的公路工程多目标成本优化研究[D];广州大学;2019年
15 张贺;混合粒子群算法在水电站优化调度中的应用研究[D];新疆大学;2019年
16 杨宇婷;基于粒子群算法的工业锅炉炉膛燃烧优化控制[D];西安科技大学;2019年
17 李晓航;增量配网型售电市场建模及运营策略研究[D];华北电力大学;2019年
18 陈爱博;基于柔性负荷的电网经济运行优化方法研究[D];沈阳工程学院;2019年
19 杨嘉瑶;基于粒子群算法的配电网故障定位[D];辽宁石油化工大学;2019年
20 茅继晨;改进粒子群算法在天线设计中的应用[D];杭州电子科技大学;2019年
中国重要报纸全文数据库 前7条
1 本报记者 解艳华;人工智能不会成为就业“杀手”[N];人民政协报;2017年
2 本报首席记者 张懿;2030:你好,科技中国![N];文汇报;2017年
3 本报记者 高博;人工智能:2018年市场规模或突破380亿[N];科技日报;2017年
4 记者 吴向正;市委举行宁波论坛报告会[N];宁波日报;2017年
5 本报记者 杨清清;AI商业化元年:中国新一代人工智能加速部署[N];21世纪经济报道;2017年
6 本报记者 徐建华;让制造变得“聪明”起来[N];中国质量报;2017年
7 MEB记者 何珺;人工智能发展规划出炉 2030年带动产业规模超10万亿元[N];机电商报;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978