微粒群優(yōu)化算法（PSO）的改進(jìn)研究.pdf

1、微粒群優(yōu)化算法(ParticleSwarmoptimization，PSO算法)源于鳥群和魚群群體運動行為的研究，是一種新的群體智能優(yōu)化算法，是演化計算領(lǐng)域中的一個新的分支。它的主要特點是原理簡單、參數(shù)少、收斂速度較快，所需領(lǐng)域知識少。該算法的出現(xiàn)引起了學(xué)者們極大的關(guān)注，已在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、組合優(yōu)化、機(jī)器人路徑規(guī)劃等領(lǐng)域獲得了廣泛應(yīng)用，并取得了較好的效果。盡管粒子群優(yōu)化算法發(fā)展近十年，但無論是理論分析還是實踐應(yīng)用都尚未成熟，有大

2、量的問題值得研究。 針對小生境微粒群算法在處理復(fù)雜多峰函數(shù)優(yōu)化問題中存在的一些缺陷，本文提出一種改進(jìn)的小生境SNPSO(Stretching-NichePSO)算法。SNPSO算法將順序小生境的思想引入其中，首先在主群體中應(yīng)用Stretching技術(shù)，其次對子群體采用解散機(jī)制，即當(dāng)在子群體中找到一個極值點后把該子群體解散回歸主群體，最后設(shè)置子群體創(chuàng)建時的半徑閾值，避免子群體半徑過大。該算法解決了標(biāo)準(zhǔn)的NichePSO算法在處理多

3、峰函數(shù)時，極值點的個數(shù)依賴于子群體個數(shù)及極值點容易出現(xiàn)重復(fù)、遺漏等問題。對3個常用的基本測試函數(shù)的實驗表明，新算法(SNPSO)在多峰函數(shù)尋優(yōu)中解的穩(wěn)定性、收斂性和覆蓋率均優(yōu)于標(biāo)準(zhǔn)NichePSO。 隨后，本文分析了海豚的群智能規(guī)則，并且定義“核心”作為團(tuán)隊最好位置的預(yù)測，從而提出了一種海豚伙伴算法，這是一種啟發(fā)式算法，通過伙伴選擇，角色定位和信息交流確定每個海豚在自己所處團(tuán)隊中的位置，然后團(tuán)隊的領(lǐng)導(dǎo)者要執(zhí)行對“核心”的探索，而