畢業(yè)設(shè)計(jì)論文—粒子群優(yōu)化算法的實(shí)證分析研究(專(zhuān)業(yè)版)
【正文】 不管怎樣，這些展示出來(lái)的結(jié)果闡釋了通過(guò)使用線性下降的慣性 權(quán) 重，粒子群優(yōu)化算法的成果能得到很大的提高，也比在文獻(xiàn)【 15】報(bào)告的粒子群優(yōu)化算法和進(jìn)化編程有更好的 效 果。 經(jīng)過(guò)對(duì)比，在文獻(xiàn)【 15】使用的四種非線性函數(shù)在這里也運(yùn)用了，第一個(gè)函數(shù)是由 Sphere函數(shù)，被列為等式（ 3）： 3 在這里 是一個(gè) n維的真值矢量， 第二個(gè)函數(shù)是 Rosenbrock函數(shù)，被列為等式（ 4）： 第三個(gè)函數(shù)被概述為是 Rastrigrin函數(shù)，被列為等式（ 5）： 最后一個(gè)函數(shù)被概述為 Griewank函數(shù)，被列為等式（ 6）： 接著在文獻(xiàn)【 11】的建議以及比較的目的，在文獻(xiàn) [15]使用的非勻稱(chēng)條件初始化方法在這里為了 種群 的初始化被采納了。 在進(jìn)化 規(guī)劃 中， 全局 與 局部 的搜索之間的平衡是通過(guò)適應(yīng)高斯隨機(jī)函數(shù)或步長(zhǎng)的速度（策略參數(shù) 研究）來(lái)調(diào)整的，這些可以編碼成染色體來(lái)進(jìn)行自身進(jìn)化。 .埃伯哈特和肯尼迪【 5， 6， 7， 8】首次介紹了粒子群優(yōu)化算法的演算法則，他們不是使用進(jìn)化的 運(yùn)算 去操縱個(gè)體，然而在別的進(jìn)化的估算法中，在 粒子群優(yōu)化算法中，每個(gè)個(gè)體保持一定的速度在探索空間中飛行，它們的速度是依據(jù)自身和伙伴的飛行經(jīng)驗(yàn)而靈活變化的?；谒阉鞯姆椒ǖ拇蠖鄶?shù)的 種群 很自然地被進(jìn)化所激發(fā)， 遺傳算法 【 1】，進(jìn)化 規(guī)劃 【 2】，進(jìn)化策略【 3】以及 遺傳演變 是四個(gè)有名的例子。然而，在 2 進(jìn)化編程，每個(gè)個(gè)體具有向任何方向飛行的可能性。從這些結(jié)果，研究工作者期望有一種具有能靈活調(diào)整速度的步長(zhǎng)的方法， 并期待粒子群優(yōu)化算法的研究能提高到類(lèi)似于進(jìn)化編程具有的更好的調(diào)整性能。 4 表 4和表 6各自列出了 建立于 其他三種函數(shù)的 50種運(yùn)行中的最好的粒子的
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1