微粒群優(yōu)化算法的改進及應用.pdf

1、最優(yōu)化問題廣泛存在于人類社會的生產與生活中，隨著科學技術的發(fā)展以及相關問題復雜度的提高，人們對優(yōu)化技術也提出了更高的要求。微粒群優(yōu)化算法（Particle Swarm Optimization，PSO）是一種新興的優(yōu)化工具，它來源于對生物界鳥類覓食行為的研究，屬于群智能優(yōu)化算法的范疇。PSO算法思想簡單，容易實現，通用性強，自提出以來，獲得國內外相關領域專家學者的廣泛關注，在眾多領域得到了很好的應用。
　　微粒群優(yōu)化算法是一種有效

2、的優(yōu)化技術，然而無論是算法的理論基礎還是實際應用都不夠成熟，仍有許多問題值得研究。本文分析了微粒群優(yōu)化算法的基本原理，重點研究了兩群微粒群優(yōu)化算法及量子微粒群優(yōu)化算法，在此基礎上，對PSO算法的改進和應用進行了相關的研究，具體工作如下：
　　（1）在兩群微粒群優(yōu)化算法的基礎上，提出了雙群分段交換微粒群優(yōu)化算法（TSME-PSO）。算法兩分群采用不同的進化模型更新微粒的速度和位置，群體間進行微粒交換，整個搜索過程，不同階段交換不同數

3、目的微粒，且交換數目是逐漸減少的。相關函數測試結果表明，TSME-PSO算法優(yōu)化性能良好，尤其在高維復雜問題上表現更為出色。
　　（2）通過研究量子微粒群優(yōu)化算法，并結合TSME-PSO算法的交換策略，提出了雙群交換量子微粒群優(yōu)化算法（TS-QPSO）。具有量子行為特征的微粒可以以某一確定的概率出現在空間的任何位置，極大的拓展了搜索空間。通過合理設置交換數目和交換方式，可以有效提高種群的多樣性，改善算法的全局優(yōu)化性能。仿真實驗結果