畢業(yè)設計論文—粒子群優(yōu)化算法的實證分析研究-文庫吧在線文庫
【正文】 。 表 2： 每個函數(shù)中 和 值 圖表 1和圖表 2展示了各自 Sphere函數(shù)的四種不同種群大小的結果。 5 6 通過看所有圖標中曲線的形狀，我們可以明 顯地發(fā)現(xiàn)在所有的例子中粒子群優(yōu)化算法的 收斂 很迅速但是當它到達最佳時，它的 收斂 速度將會變慢，這是可能由于線性下降的慣性權 重的使用。但在某種程度上，為了調(diào)整慣性 權 重，這可以通過實施自我適應的 策 略來 解決 這 個困難。類似于觀察 Sphere函數(shù)，在四種函數(shù)中，粒子群優(yōu)化算法 縮 放 得很好 4 結論 7 在這篇論文中，在文學領域上，被重點研究的四種非線性函數(shù)的實驗研究已經(jīng)深入地調(diào)查了粒子群優(yōu)化算法的線性下降的慣性 權 重的成果。 圖表 5和圖表 8各自展示了 Rosenbrock函數(shù)的四種不同種群大小的結果。 由于在文獻【 15】中，對每個函數(shù)來講，三個不同的維 數(shù) 被測試了，它們的維 數(shù) 是：10， 20和 30。通過適應策略參數(shù)研究來調(diào)整模擬的步長，理想被使用的進化編程算法已經(jīng)具有向著最佳的搜索范圍調(diào)整的能力。文獻【 9】這個慣性 權 重在模擬退火中具有暗示溫度參數(shù)研究的特征。在進化 演變 中，每個個體的都是通過增加隨機函數(shù)（這種最普遍使用的隨機函數(shù)要么是高斯函數(shù)，要么就是 柯 西函數(shù)）突變的。 第 i 粒子最初的位置（這個位置處于最佳的值）被記錄和代表為 符號 g 代表 種群 中所有粒子的最好的位置 。在所有的測試例子中，粒子群優(yōu)化算法總是迅速地朝著最佳的方向 收斂 ，但是當它接近最小值時，它會減緩 收斂 速度。但是這個實驗的結果表明粒子群優(yōu)化算法是一種有前景的優(yōu)化方法，然而 ,這種新的方法預計將會提高 粒子群 群優(yōu)化算法的 效果接近最優(yōu)化，例如使用合適的慣性 權重 。 代表粒子
公司管理相關推薦
鄂ICP備17016276號-1