基于多样性控制策略的粒子群算法研究及应用

发布时间：2022-10-06 10:24

　　粒子群优化算法（Particle Swarm Optimization,PSO）是模拟鸟群觅食行为的基础上提出群智能优化算法,是优化领域中新兴的分支。它具有实现简单、易于理解、控制参数少等优点。因此,该算法一提出就引起研究学者广泛关注。但PSO存在早熟收敛的缺点,针对这种问题从多样性保持和控制层面进行分析,从而提出两种改进PSO算法。本文主要包括以下研究工作:（1）针对粒子群陷入早熟收敛的问题,提出一种动态反向的随机漂移粒子群（Random Drift Swarm Optimization with Dynamic Opposition based learning,DO-RDPSO）算法,该算法融合随机漂移策略和反向学习策略。在DO-RDPSO算法中,应用随机漂移策略进行搜索时,某个粒子个体最优值停滞的次数超过某一个预先设定的阈值,说明该种群多样性过低,且通过随机漂移运动跳出局部最优的可能性很小,此时不需要通过随机漂移策略进行更新而是进行反向学习,构造该粒子的反向解,提高种群的多样性。通过测试14函数可以看出DO-RDPSO可以跳出局部最优,从而找到全局最优解。（2）针对粒子群算法在... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究背景及意义
    1.2 相关技术与国内外研究现状
        1.2.1 基于惯性权重的改进
        1.2.2 基于混合方法的改进
        1.2.3 基于拓扑结构的改进
        1.2.4 基于多样性保持和控制的改进
    1.3 粒子群的难点
    1.4 本文主要研究内容
    1.5 本文章节安排
第二章 粒子群算法
    2.1 粒子群理论与分析
        2.1.1 粒子群优化算法原理
        2.1.2 算法流程
        2.1.3 认知行为与社会行为分析
        2.1.4 局部模型与全局模型
        2.1.5 参数分析
    2.2 改进粒子群算法
        2.2.1 标准PSO算法
        2.2.2 UPSO算法
        2.2.3 FIPSO算法
    2.3 本章小结
第三章 动态反向的随机漂移粒子群优化算法研究
    3.1 多样性度量
    3.2 RDPSO算法
    3.3 反向学习策略
    3.4 动态反向的随机漂移粒子群算法
    3.5 实验结果与分析
        3.5.1 实验数据集
        3.5.2 实验设置
        3.5.3 实验结果及分析
        3.5.4 参数研究
    3.6 本章小结
第四章 交叉算子的随机漂移粒子群算法研究
    4.1 交叉算子
    4.2 交叉算子的随机漂移粒子群
    4.3 实验结果与分析
        4.3.1 实验数据集
        4.3.2 实验设置
        4.3.3 实验结果与分析
        4.3.4 参数研究
    4.4 本章小结
第五章 基于CO-RDPSO优化SVM的电力负荷预测
    5.1 支持向量机
        5.1.1 支持向量回归算法
        5.1.2 核函数
    5.2 实验设计说明和实验流程
    5.3 实验结果与分析
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录 :作者在攻读硕士学位期间的研究成果


【参考文献】：
期刊论文
[1]BP神经网络原理研究与实现[J]. 韩普,周汉辰,周北望.  广播电视信息. 2018(10)
[2]多样性反馈与控制的粒子群优化算法[J]. 饶兴华,王文格,胡旭.  计算机应用. 2014(02)
[3]基于改进粒子群算法的物流配送车辆调度[J]. 马冬青,王蔚.  计算机工程与应用. 2014(11)
[4]基于粒子群算法的预警机航线规划[J]. 吴逸,李强,代科学,王国师.  空军雷达学院学报. 2010(06)
[5]一种多样性控制的粒子群优化算法[J]. 方伟,孙俊,须文波.  控制与决策. 2008(08)
[6]Fast multi-swarm optimization based-on Cauchy mutation and crossover operation[J]. ZHANG Qing,FENG Jie,ZHANG Jun-wen,XIE Wei (College of Physical Science and Technology,Huanggang Normal University,Huangzhou 438000,Hubei,China).  黄冈师范学院学报. 2008(03)
[7]一种新的自适应粒子群优化算法[J]. 林川,冯全源.  计算机工程. 2008(07)
[8]粒子群优化算法的惯性权值递减策略研究[J]. 陈贵敏,贾建援,韩琪.  西安交通大学学报. 2006(01)
[9]带时间窗车辆路径问题的粒子群算法[J]. 李宁,邹彤,孙德宝.  系统工程理论与实践. 2004(04)
[10]免疫粒子群优化算法[J]. 高鹰,谢胜利.  计算机工程与应用. 2004(06)



本文编号：3686808