一種混合智能算法的應(yīng)用研究.pdf

1、群智能(Swarm Intelligence)優(yōu)化算法是一類以多個(gè)解(也稱為個(gè)體)組成群體的方式，通過某些或全部個(gè)體的信息交互完成尋優(yōu)的算法.群智能優(yōu)化算法本質(zhì)上都屬于隨機(jī)搜索算法，最具典型的包括遺傳算法、粒子群算法、蟻群算法等，這些算法成功體現(xiàn)出了模擬自然界生物自適應(yīng)線性在算法設(shè)計(jì)中的重要性和可行性.由于群智能優(yōu)化算法可以在較短的時(shí)間內(nèi)獲得最優(yōu)解，逐漸成為了現(xiàn)代優(yōu)化算法領(lǐng)域的研究熱點(diǎn)。
　　 粒子群算法(Particle Sw

2、arm Optimization Algorithm)是一種并行的全局性隨機(jī)搜索算法，它概念簡單易實(shí)現(xiàn)、搜索速度快范圍大，它的基木思想是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解.目前對PSO算法的研究主要集中在算法改進(jìn)、算法數(shù)學(xué)分析、算法參數(shù)選擇、社會(huì)和生物行為、融合與比較、應(yīng)用研究等六個(gè)方面。
　　 遺傳算法(Genetic Algorithm)基于生物的進(jìn)化遺傳，是目前智能優(yōu)化領(lǐng)域應(yīng)用最廣的算法，涉及到很多學(xué)科并且可以

3、解決多種實(shí)際應(yīng)用問題。
　　 本論文提出了一種混合智能算法(HGC-PSO)，用以解決粒子群算法中的早熟收斂問題，主要完成了以下兩個(gè)工作：
　　 第一個(gè)工作是粒子群和遺傳兩種算法的結(jié)合，根據(jù)群體適應(yīng)度方差確定變異概率，第一引入柯西變異，對種群中除全局最優(yōu)值外適應(yīng)值最好的部分粒子進(jìn)行柯西變異操作，用以解決算法運(yùn)行過程中種群趨于單一的難題.第二對全局最優(yōu)值進(jìn)行高斯變異，改變粒子的運(yùn)行方向，以增強(qiáng)粒子跳出局部最優(yōu)的能力，這部分

4、內(nèi)容在本文的第4章。
　　 第二個(gè)工作是對水下潛器工作環(huán)境建模分析，并將水下潛器導(dǎo)航規(guī)劃問題轉(zhuǎn)化為三維空間表示，同時(shí)針對環(huán)境建模，將HGC-PSO算法應(yīng)用在水下潛器路徑規(guī)劃中，這部分內(nèi)容在本文的第5章。
　　 粒子群算法的早熟收斂問題一直是研究者們關(guān)注的熱點(diǎn)，考慮到粒子群算法在迭代后期容易陷入局部最優(yōu)，不利于全局搜索，而HGC-PSO引入了高斯和柯西變異算子，利用粒子群收斂的判斷機(jī)制計(jì)算變異概率，解決了種群搜索區(qū)域單一、

5、進(jìn)入局部最優(yōu)的難題。實(shí)驗(yàn)結(jié)果表明，HGC-PSO算法雖然比標(biāo)準(zhǔn)粒子群算法搜索時(shí)間略長，但它具備良好的收斂性能，并有效的避免了早熟收斂。
　　 路徑規(guī)劃是水下潛器的核心問題，為了找到一個(gè)較好的運(yùn)動(dòng)路線，研究者們提出了多種方法，比如人工場勢法、分割法等.本文主要是嘗試用HGC-PSO算法來進(jìn)行水下潛器的路徑規(guī)劃，但只是探討在此問題上用HGC-PSO算法來進(jìn)行規(guī)劃是否可行，而沒有太多的考慮其搜索結(jié)果的性能.從實(shí)驗(yàn)結(jié)果可以知道，HGC-