復(fù)雜優(yōu)化問(wèn)題中小生境粒子群優(yōu)化算法的改進(jìn)及研究.pdf

1、在現(xiàn)實(shí)社會(huì)的生產(chǎn)實(shí)踐中，大量實(shí)際問(wèn)題的解決最終可轉(zhuǎn)化為對(duì)問(wèn)題的優(yōu)化。而這些待優(yōu)化的問(wèn)題往往非常復(fù)雜，集中表現(xiàn)在多模值、維數(shù)高、多目標(biāo)和動(dòng)態(tài)性等方面。傳統(tǒng)的進(jìn)化算法受限于自身的機(jī)理和結(jié)構(gòu)單一，收斂精度低、對(duì)初值敏感、易陷入局部最優(yōu)，對(duì)高維復(fù)雜問(wèn)題的處理比較吃力。
　　 由Eberhart和Kennedy教授在1995年共同提出了粒子群優(yōu)化算法。它源于魚群和鳥群的覓食行為，進(jìn)而提出來(lái)的一種具有代表性的群體性智能進(jìn)化算法。由于粒子群優(yōu)

2、化算法具有搜索速度快、全局搜索能力強(qiáng)、魯棒性強(qiáng)等突出優(yōu)點(diǎn)，所以短短幾年時(shí)間，粒子群優(yōu)化算法已經(jīng)成為計(jì)算智能領(lǐng)域的新的研究熱點(diǎn)，并被應(yīng)用到許多領(lǐng)域之中。
　　 隨著大量科研人員對(duì)粒子群優(yōu)化算法的深入研究，粒子群優(yōu)化算法已被成功地用來(lái)解決靜態(tài)單模優(yōu)化問(wèn)題。但是實(shí)際生產(chǎn)中的許多優(yōu)化問(wèn)題需轉(zhuǎn)化為多模優(yōu)化問(wèn)題和動(dòng)態(tài)優(yōu)化問(wèn)題。面對(duì)這些復(fù)雜的優(yōu)化問(wèn)題，不但要求優(yōu)化算法能夠迅速的、準(zhǔn)確的找到全局最優(yōu)極值點(diǎn)，而且要找出所有的局部最優(yōu)極值點(diǎn)并能夠及

3、時(shí)的跟蹤變化的全局最優(yōu)極值點(diǎn)。這對(duì)于粒子群優(yōu)化算法則是一種新的挑戰(zhàn)。
　　 現(xiàn)從以下三方面對(duì)本文所做的工作進(jìn)行闡述:
　　 (1)粒子群優(yōu)化算法的發(fā)展經(jīng)歷了慣性權(quán)重線性遞減、全信息、單維搜索、拓?fù)浣Y(jié)構(gòu)、多種群等策略改進(jìn)的階段。本文對(duì)粒子群優(yōu)化算法發(fā)展過(guò)程和各種改進(jìn)版本在第2章作了詳細(xì)的描述和分析。
　　 (2)多模優(yōu)化問(wèn)題在現(xiàn)實(shí)生活中非常常見(jiàn)。例如:路徑優(yōu)化、數(shù)據(jù)分析、蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)等。這類問(wèn)題不僅要尋找一個(gè)全局

4、最優(yōu)極值點(diǎn)，有些場(chǎng)合需要同時(shí)找出其余的局部最優(yōu)極值點(diǎn)。對(duì)于多模優(yōu)化問(wèn)題，經(jīng)典的優(yōu)化算法往往易陷入局部最優(yōu)點(diǎn)而難以找到全局最優(yōu)解，更難于找到所有的局部最優(yōu)極值點(diǎn)。但是，基于物種形成原理的小生境技術(shù)的引入使多模優(yōu)化問(wèn)題的求解決逐步實(shí)現(xiàn)。本文將在第3、4章詳細(xì)介紹小生境技術(shù)的精華之處，并測(cè)試驗(yàn)證基于局部搜索的小生境粒子群優(yōu)化算法的優(yōu)勢(shì)。
　　 (3)現(xiàn)實(shí)世界的許多問(wèn)題中存在很多動(dòng)態(tài)元素。某些變量的狀態(tài)常常隨著時(shí)間的變化而變化。例如:股