改進(jìn)的pso算法的實(shí)現(xiàn)畢業(yè)論文-展示頁(yè)
2025-07-06 14:50本頁(yè)面
【正文】 目前找到的最優(yōu)解,這個(gè)極值是全局極值gb。作為一種高效并行優(yōu)化方法,PSO可用于求解大量非線性、不可微和多峰值的復(fù)雜優(yōu)化問(wèn)題,再加上PSO算法的程序?qū)崿F(xiàn)異常簡(jiǎn)潔,需要調(diào)整的參數(shù)少,因而發(fā)展很快,出現(xiàn)了多種改進(jìn)PSO算法,并已應(yīng)用于許多科學(xué)和工程領(lǐng)域,得到了眾多學(xué)者的重視和研究。②個(gè)體具有記憶功能。同遺傳算法(genetic algorithm, GA)、蟻群優(yōu)化等大多數(shù)進(jìn)化計(jì)算方法一樣,PSO也是一種基于群體的優(yōu)化方法。通常單個(gè)自然生物并不是智能的,但是整個(gè)生物群體卻表現(xiàn)出處理復(fù)雜問(wèn)題的能力,群體智能就是這些團(tuán)體行為在人工智能問(wèn)題中的應(yīng)用。美國(guó)學(xué)者Eberhart E C和Kennedy J于1995年提出的粒子群優(yōu)化(particle swarm optimization)算法是基于對(duì)鳥群、魚群的模擬。PSO算法的實(shí)現(xiàn)從20世紀(jì)90年代初,就產(chǎn)生了模擬自然生物群體(swarm)行為的優(yōu)化技術(shù)。Dorigo等人從生物進(jìn)化的機(jī)理中受到啟發(fā),通過(guò)模擬螞蟻的尋徑行為,提出了蟻群優(yōu)化方法。這些研究可以稱為群體智能(swarm intelligence)。粒子群優(yōu)化(PSO)最初是處理連續(xù)優(yōu)化問(wèn)題的,目前其應(yīng)用已擴(kuò)展到組合優(yōu)化問(wèn)題。但與其它進(jìn)化計(jì)算方法相比,PSO的主要特點(diǎn)為:①每一個(gè)體(稱為一個(gè)粒子)都被賦予了一個(gè)隨機(jī)速度并在整個(gè)問(wèn)題空間中流動(dòng)。③個(gè)體的進(jìn)化主要是通過(guò)個(gè)體之間的合作與競(jìng)爭(zhēng)來(lái)實(shí)現(xiàn)的。PSO初始化為一群隨機(jī)粒子(隨機(jī)解)，然后通過(guò)迭代找到最優(yōu)解。在找到這兩個(gè)最優(yōu)值時(shí),粒子根據(jù)如下的公式來(lái)更新自己的速度和新的位置：vi(t+1)=w180。rand180。rand180。Step 2: 評(píng)價(jià)每個(gè)粒子的適應(yīng)度。Step 4: 對(duì)每個(gè)粒子,將其適應(yīng)值與全局所經(jīng)歷的最好位置gbest作比較,如果較好,則重新設(shè)置gbest的索引號(hào)。Step 6: 如未達(dá)到結(jié)束條件(通常為足夠好的適應(yīng)值或達(dá)到一個(gè)預(yù)設(shè)最大代數(shù)Gmax),則返回Step2.在這里，采用java語(yǔ)言來(lái)實(shí)現(xiàn)這個(gè)PSO算法，通過(guò)優(yōu)化下面的函數(shù)(求極大值)來(lái)演示PSO算法：max 其中xi206。已知該函數(shù)的全局極值發(fā)生在xi= ， i=1:n, 其值為f (x)=為了簡(jiǎn)化問(wèn)題討論，c1和c2取為2。在這里將funDim取為2，考慮到該函數(shù)比較復(fù)雜，所以將粒子數(shù)取的大一些，為100。通過(guò)多次的實(shí)驗(yàn)發(fā)現(xiàn)，最大速度Vmax對(duì)于實(shí)驗(yàn)結(jié)果有很大的影響，當(dāng)Vmax取值偏大時(shí)，粒子很容易“飛”出[500，500]的范圍，得不到滿足要求的解，但是當(dāng)Vmax取值偏小時(shí)，雖然能將粒子限定在[500，500]的范圍內(nèi)，但是往往會(huì)陷入到局部極大值中。下面的表格1中記錄了14次實(shí)驗(yàn)的結(jié)果(除去了幾個(gè)超出[500，500]范圍的結(jié)果)：表1 14次實(shí)驗(yàn)結(jié)果次數(shù)最優(yōu)極值最優(yōu)極值位置X1最優(yōu)極值位置X212
外語(yǔ)相關(guān)推薦
鄂ICP備17016276號(hào)-1