学位论文 > 优秀研究生学位论文题录展示

基于量子遗传算法的改进的粒子群算法及其应用

作　者: 刘杨磊
导　师: 于飞
学　校: 哈尔滨工程大学
专　业: 系统理论
关键词: 粒子群优化算法量子遗传算法水下潜器路径规划
分类号: TP18
类　型: 硕士论文
年　份: 2011年
下　载: 61次
引　用: 0次
阅　读: 论文下载

内容摘要

随着海洋资源日趋得到关注,人们利用水下潜器完成海洋资源探索和开发的期望也日益高涨,对潜器实现智能控制和自主导航提出了越来越高的要求。路径规划技术直接关系到水下潜器智能水平的高低,是其智能导航控制的关键技术之一。粒子群优化算法(简称PSO)是一种新兴的智能群算法,作为一种并行随机优化算法,它不依赖导数信息,而是通过个体粒子的简单迭代和群体间的信息共享实现复杂的搜索,可以解决非线性、不可微和多峰病态函数等优化问题,并已广泛应用到优化的各个领域。其中一项重要应用正是水下路径规划。但是,标准粒子群优化算法在此方面的表现仍不尽如人意,主要体现在：高维问题中相关参数难以确定。从而,本文在量子遗传算法的基础上,对粒子群算法做了以下改进：1.将标准粒子群算法中的线性递减权重调整为非线性递减；2.基于量子遗传算法,将量子门引入粒子群优化算法,通过对量子门的调整来实时的调整粒子群优化算法的相应的参数,充分发挥量子遗传算法和粒子群优化算法的优势。通过对改进算法和标准PSO算法的对比表明：改进的QGA-PSO算法在收敛时间和收敛精度上均优于标准PSO算法。最后,将改进算法应用到二维已知信息的路径规划中去,并得到了较好的结果。

全文目录

摘要  5-6
Abstract  6-9
第1章绪论  9-17
  1.1 课题来源及研究意义  9-10
  1.2 国内外研究现状  10-11
  1.3 粒子群算法的主要研究方向  11-12
  1.4 粒子群优化算法的应用  12
  1.5 路径规划  12-15
    1.5.1 路径规划知识简介  12-13
    1.5.2 路径规划常用方法简介  13-15
  1.6 本文研究内容  15-17
第2章粒子群优化算法理论分析  17-31
  2.1 粒子群算法简介  17-20
    2.1.1 基本粒子群算法  17-19
    2.1.2 标准粒子群算法  19-20
  2.2 粒子群算法的参数分析及设置  20-25
    2.2.1 惯性权重参数  20-22
    2.2.2 学习因子  22-23
    2.2.3 最大速度  23-24
    2.2.4 群体规模  24-25
  2.3 粒子群算法的收敛性分析  25-30
  2.4 本章小结  30-31
第3章量子遗传算法简介  31-39
  3.1 量子遗传算法的发展历程  31-33
  3.2 量子信息表示及量子逻辑门  33-35
  3.3 量子旋转门更新  35-36
  3.4 量子遗传算法流程  36-37
  3.5 算法分析  37-38
    3.5.1 收敛时间  37
    3.5.2 增加种群多样性  37-38
  3.6 本章小结  38-39
第4章基于量子遗传算法改进的粒子群算法及应用  39-56
  4.1 粒子群优化算法改进策略分析  39-40
  4.2 基于量子遗传算法的改进的粒子群优化算法  40-43
    4.2.1 动态惯性权重的构造  40-41
    4.2.2 改进算法更新策略  41-43
  4.3 仿真实验  43-49
    4.3.1 基准测试函数  43-44
    4.3.2 QGA-PSO算法函数测试结果及分析  44-49
  4.4 QGA-PSO算法在二维水下路径规划中的应用  49-55
    4.4.1 路径规划建模  49-51
    4.4.2 路径规划算法流程  51
    4.4.3 仿真结果及分析  51-55
  4.5 本章小结  55-56
结论  56-57
参考文献  57-64
攻读硕士学位期间发表的论文和取得的科研成果  64-65
致谢  65

基于量子遗传算法的改进的粒子群算法及其应用

内容摘要

全文目录

相似论文