学位论文 > 优秀研究生学位论文题录展示

基于混合优化策略的粒子群算法及其应用研究

作　者: 杨立标
导　师: 陶新民
学　校: 哈尔滨工程大学
专　业: 通信与信息系统
关键词: 粒子群算法 群体适应度方差 文化算法 蜜蜂进化型遗传算法 神经网络
分类号: TP301.6
类　型: 硕士论文
年　份: 2010年
下　载: 121次
引　用: 0次
阅　读: 论文下载
 

内容摘要


粒子群优化算法(Particle Swarm Optimization, PSO)源于对鸟类觅食行为的研究,由美国心理学家Kennedy博士和电气工程师Eberhart博士于1995年共同提出,是一种基于群智能理论的新兴演化计算技术。PSO算法通过群体中粒子间的合作与竞争产生的群智能指导优化搜索,有较强的通用性同时具有全局寻优的特点。作为群智能的典型代表,PSO算法已经被证明是一种有效的全局优化方法,表现出了广泛的应用前景。本文对PSO算法的基本原理、发展和改进以及工程应用进行了较为系统的阐述。本文的主要研究工作和创新点可归纳如下：(1)提出一种自适应指导的文化粒子群算法(AG-CPSO)。新算法将PSO算法纳入文化算法框架中,并通过计算群体适应度方差判断群体空间状态,当PSO算法陷入局部最优时信念空间则自适应地利用影响函数对群体空间进行变异更新,既有效发挥了文化算法“双演化双促进”机制,又避免了影响函数对群体空间的全局变异操作,易导致粒子群算法结构失效及不易收敛的缺点。通过实验说明,新算法优化性能好于粒子群算法和文化粒子群算法。(2)提出一种蜜蜂进化型粒子群算法(BEPSO)。新算法并行利用蜜蜂进化型遗传算法(BEGA)中的选择、交叉和变异思想以及PSO算法的速率和位移更新规则,有机结合了BEGA算法和PSO算法各自优点。通过实验说明,新的混合算法可以克服早熟收敛并提高收敛速度,其优化性能好于粒子群算法和蜜蜂进化型遗传算法。最后,将两种新算法应用于训练神经网络问题,实验结果表明本文算法在相同的迭代次数下,训练的神经网络收敛速度大大提高,且性能和精度也显著提高。

全文目录


摘要  5-6
ABSTRACT  6-11
第1章 绪论  11-20
  1.1 引言  11-12
  1.2 群智能算法研究和发展现状  12-18
    1.2.1 蚁群算法  12-13
    1.2.2 蜂群算法  13-15
    1.2.3 人工鱼群算法  15-17
    1.2.4 粒子群算法  17-18
    1.2.5 群智能算法总结与展望  18
  1.3 论文的研究内容及结构安排  18-20
第2章 粒子群算法  20-28
  2.1 引言  20
  2.2 粒子群算法的基本原理  20-23
    2.2.1 粒子群算法基本原理  20-22
    2.2.3 粒子群算法的流程  22-23
  2.3 粒子群算法的发展与改进  23-26
    2.3.1 粒子群算法参数改进  24-25
    2.3.2 粒子群算法拓扑改进  25
    2.3.3 粒子群算法混合算法  25-26
  2.4 粒子群算法的应用  26-27
  2.5 本章小结  27-28
第3章 自适应指导的文化粒子群算法  28-44
  3.1 引言  28
  3.2 自适应指导的文化粒子群算法基本原理  28-34
    3.2.1 文化算法的基本思想  28-30
    3.2.2 自适应指导的文化粒子群算法基本原理  30-34
  3.3 自适应指导文化粒子群算法的实现  34-36
    3.3.1 基本步骤  34-35
    3.3.2 流程图  35-36
  3.4 实验结果与分析  36-43
    3.4.1 实验设置  36-38
    3.4.2 实验结果  38-42
    3.4.3 实验分析  42-43
  3.5 本章小结  43-44
第4章 蜜蜂进化型粒子群算法  44-56
  4.1 引言  44
  4.2 蜜蜂进化型遗传算法理论和描述  44-46
  4.3 蜜蜂进化型粒子群算法基本原理  46-47
  4.4 算法的实现  47-49
    4.4.1 算法的基本步骤  47-48
    4.4.2 流程图  48-49
  4.5 实验结果与分析  49-54
    4.5.1 实验设置  49
    4.5.2 实验结果  49-54
    4.5.3 实验分析  54
  4.6 本章小结  54-56
第5章 混合策略粒子群算法应用于训练神经网络  56-72
  5.1 引言  56
  5.2 神经网络介绍  56-62
    5.2.1 神经网络理论介绍  56-58
    5.2.2 神经网络结构  58-59
    5.2.3 神经网络的学习  59-60
    5.2.4 BP神经网络学习算法描述  60-62
  5.3 基于AG-CPSO算法和BEPSO算法的神经网络训练  62-66
    5.3.1 训练算法描述  62-63
    5.3.2 基于AG-CPSO算法训练神经网络的步骤和流程  63-65
    5.3.3 基于BEPSO算法训练神经网络的步骤和流程  65-66
  5.4 实验设置与分析  66-71
    5.4.1 实验设置  66-68
    5.4.2 实验结果  68-70
    5.4.3 实验分析  70-71
  5.5 本章小结  71-72
结论  72-74
参考文献  74-79
攻读硕士学位期间发表的论文和取得的科研成果  79-80
致谢  80

相似论文

  1. 天然气脱酸性气体过程中物性研究及数据处理,TE644
  2. 压气机优化平台建立与跨音速压气机气动优化设计,TH45
  3. 调频式电容位移传感器高速测频与非线性校正技术研究,TH822
  4. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  5. 红外超光谱图像的虚拟探测器研究,TP391.41
  6. 模糊控制、神经网络在平面二级倒立摆中的应用,TP273.4
  7. 基于神经网络的水厂投药预测控制研究,TP273.1
  8. 视觉伺服四自由度机械臂的研究,TP242.6
  9. 机械臂视觉伺服系统的研究,TP242.6
  10. 压电驱动微工作台的控制与校正技术研究,TP273
  11. 某武器检测装置的控制系统设计,TP183
  12. 市级旅游用地规划环境影响评价研究,X820.3
  13. 珠三角地区高性能混凝土配合比智能化系统,TU528
  14. 大学生综合素质测评研究,G645.5
  15. 不具备全局Lipschitz条件的时滞细胞神经网络的反周期解研究,TP183
  16. 基于并行算法的模糊综合评价模型的设计与应用,TP18
  17. 基于神经网络的牡蛎呈味肽制备及呈味特性研究,TS254.4
  18. 有源电力滤波器及其在配电网中的应用,TN713.8
  19. 基于神经网络辨识的同步发电机励磁控制研究,TM31
  20. 基于BP神经网络的水稻干燥智能控制研究,S226.6
  21. 基于遗传算法优化的BP网络对生物柴油制备工艺的优化,TE667

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 一般性问题 > 理论、方法 > 算法理论
© 2012 www.xueweilunwen.com