粒子群优化算法研究及其应用
【摘要】:随着不断发展的科学研究和越来越多的应用需求,在工程实践领域中出现了很多复杂的最优化问题。传统的优化方法在求解时往往具有很大的局限性,随着电子计算机技术的发展与使用,采用各种智能优化算法求解复杂优化问题已成为研究热点。
粒子群优化(PSO)算法是一种典型的群智能优化方法。与传统的优化方法相比,PSO算法具有结构简单、参数较少、易于实现以及寻优能力强等优点。然而,PSO算法的理论基础还不够完善,存在早熟收敛、易陷入局部极值等问题,并且在将其应用于工程实际问题时存在很多值得改进和提高之处。通过分析和研究PSO算法的原理,本文提出了PSO算法的控制参数选择策略。为了提高算法的全局搜索能力和收敛速度,本文从不同角度提出了几种改进的PSO算法,并将它们应用于建筑工程项目优化和阵列天线综合。本文的主要研究内容如下:
在PSO算法研究方面,选择合适的控制参数是影响PSO算法性能和效率的关键。在实际应用中,通常只能由设计者根据经验选取最优控制参数,而没有通用的方法。为了找到选择PSO算法控制参数的指导方法,发现影响算法性能的规律,本文采用测试函数对PSO算法中的主要控制参数进行了系统地实验和分析,提出了控制参数取值策略。该策略能明显改进PSO算法性能,具有一定实用价值。
在研究算法理论和信息共享机制的基础上,借鉴人类社会学的分工合作、精英领导等思想,融合混沌优化方法的特点,本文提出了改进的PSO算法。主要包括:
(1)基于模仿人类搜索行为的随机聚焦搜索PSO算法。该算法采用多子群和动态邻域拓扑结构,具有可选参数少、算法简单、计算速度快等优点。实验结果验证了该算法的性能。
(2)基于分层并行协同策略和精英理论的分层多子群PSO算法。各层的子群分别负责不同的搜索任务,粒子的信息是按其性能的级别从高到低逐渐传递,更好地平衡了全局和局部搜索能力。
(3)基于分层多子群的混沌PSO算法。该算法对非线性递减的惯性权重进行混沌变异,全局历史最优位置在更新其每一维分量时,选取不同的个体作为学习对象。其混沌搜索区域半径可自适应地调整。仿真结果表明,该算法能更好地保持种群的多样性,有效避免早熟收敛。
本文将改进的分层多子群PSO算法应用于建筑工程项目综合优化。在工程实例仿真中,该算法能在种群规模较小的情况下,快速找到满意的解。
本文还将改进的PSO算法应用于阵列天线综合。主要包括:
(1)将改进的PSO算法应用于均匀间距直线阵列天线方向图综合中。该算法基于von Neumann邻域结构,采用分层次、多子群策略,以改善其收敛速度和优化精度。顶层和底层的子群分别采用适合其特点的目标函数。仿真结果验证了该算法的有效性。
(2)将混沌搜索和PSO算法相结合,提出了一种改进的PSO算法。该算法采用混沌序列初始化粒子的位置和速度,提高了种群的多样性和粒子搜索的遍历性。当种群的进化出现停滞时,该算法在最优位置的邻域内进行混沌搜索以寻找更好的种群最优位置,其混沌搜索范围可自适应地调整。将该算法应用于均匀间距直线阵列天线方向图综合中,能有效地生成多零陷并抑制旁瓣电平。
(3)将混沌PSO算法应用于均匀间距直线阵、非均匀间距直线阵和共形阵综合中。进化初期,该算法采用综合学习策略更新粒子的速度和位置。当种群陷入停滞时,采用混沌搜索对种群进行扰动。将该算法应用于阵列天线综合中,仿真结果表明,该算法在旁瓣电平抑制、零陷位置生成、零陷深度控制和波瓣赋形等方面优于一些已有文献所报道的结果,具有更好的阵列天线综合能力。
(4)将混沌二进制PSO算法应用于稀布直线阵列和稀布平面阵列天线综合中。为了抑制对称稀布阵列天线的旁瓣电平,该算法对非线性的惯性权重进行混沌变异以提高种群的多样性。与一些已有文献所报道的结果相比,该算法在进化后期具有更好的寻优能力。
|
|
|
|
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 |
许耀华,胡艳军,张媛媛;基于离散粒子群算法的CDMA多用户检测方法[J];通信学报;2005年07期 |
3 |
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 |
4 |
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 |
5 |
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 |
6 |
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 |
7 |
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 |
8 |
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 |
9 |
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 |
10 |
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 |
11 |
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 |
12 |
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 |
13 |
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 |
14 |
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 |
15 |
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 |
16 |
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 |
17 |
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 |
18 |
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 |
19 |
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 |
20 |
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 |
|