改进的粒子群算法及其工程应用研究

发布时间：2023-04-10 06:07

　　在实际的生产生活中人们面临的优化问题日益复杂和多元,传统的优化算法已经无法解决这些问题。受自然界中生物适者生存、优胜劣汰的进化规律启发并且随着计算机技术和人工智能快速的发展,人们开始利用计算机模拟自然界生物进化过程和智能运动行为,构建出各种智能算法模型去求解优化问题,智能优化算法应运而生。粒子群优化算法是一种模拟鸟群觅食行为的全局优化算法,具有参数少、操作简单、稳定性好等优点,引起人们广泛关注并将其成功的应用到不同的领域。但粒子群优化算法也存在以下缺陷:一是它在求解复杂的优化问题时容易发生“早熟”现象;二是实际生产中的工程优化问题大部分是约束优化问题,而粒子群算法是无约束优化算法,故利用其对约束问题寻优前需要对约束条件进行处理。因此避免算法“早熟”和对约束条件的处理是研究粒子群算法的两个重要方向,也是本文主要解决的问题。主要研究内容如下:(1)针对粒子群算法在求解复杂优化问题时,容易发生“早熟”现象的缺陷,提出了一种基于动态分级和邻域反向学习的改进粒子群算法。该算法首先通过构建动态分级机制,将种群中的粒子动态地划分成三个等级,对不同等级内的粒子采取不同的扰动行为,使得粒子在增强种群多样...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 选题的研究背景和意义
    1.2 研究现状
        1.2.1 粒子群优化算法
        1.2.2 约束处理机制
    1.3 本文主要工作和章节安排
        1.3.1 本文的主要工作
        1.3.2 本文的结构安排
第二章 粒子群算法概述
    2.1 优化问题概述
    2.2 粒子群算法的基本模型
        2.2.1 算法性能影响因素
        2.2.2 算法的收敛性分析
    2.3 约束处理方法
        2.3.1 罚函数法
        2.3.2 可行性规则法
        2.3.3 多目标法
        2.3.4 适应度值变换法
    2.4 本章小结
第三章 改进的粒子群算法
    3.1 引言
    3.2 基于动态分级和邻域反向学习的粒子群算法
        3.2.1 动态分级机制
        3.2.2 改进粒子位置更新方式
        3.2.3 动态邻域反向学习全局搜索策略
    3.3 算法步骤
    3.4 数值试验及结果分析
        3.4.1 测试函数及评价标准
        3.4.2 仿真环境、仿真实验和仿真结果
        3.4.3 实验结果分析
    3.5 本章小结
第四章 粒子群算法在工程结构优化中的应用
    4.1 引言
    4.2 约束处理技术
    4.3 自适应粒子群算法
        4.3.1 混沌映射方法产生初始种群
        4.3.2 教学机制
        4.3.3 自适应参数
        4.3.4 粒子重置策略
    4.4 算法步骤
    4.5 性能验证
        4.5.1 参数设置和评价标准
        4.5.2 工程结构设计优化应用
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3788468