论文部分内容阅读
1995年J.Kennedy和R.C.Eberhart提出了粒子群优化算法(Particle swarm optimization,PSO)。粒子群优化算法是在对生物界中鸟群觅食行为研究的基础上提出的一种全新的智能优化算法。由于粒子群算法的初始位置和速度是随机给出的,所以在求解复杂的多峰函数优化问题时,该算法存在解的精度低,收敛速度慢等缺点。本文针对粒子群算法和已有的改进粒子群算法易陷入局部最优、解的精度低和收敛速度慢等缺点,提出了两类改进的粒子群算法和一类改进的简化粒子群算法。本文主要完成的工作如下:1.简单地介绍了粒子群算法的由来及产生背景,对粒子群算法已有的关于惯性权重的改进结果在同一参数设置下进行了比较,分析了各自的优缺点。2.当粒子群算法的惯性权重取线性递减函数时,粒子群算法易出现“早熟”和解的精度低等缺点。为了克服此缺点,本文提出了一类改进惯性权重的PSO,即算法在迭代前期将惯性权重取为非线性递减的余弦函数,在迭代后期将惯性权重取为较小的随机值。通过数值模拟有效地验证了改进算法的有效性。3.当粒子群算法的学习因子取定值时,算法容易出现解的精度低和收敛速度慢的缺点。为了克服此缺点,本文提出了一类基于指数函数变化的学习因子来代替定值的学习因子,即算法在迭代前期将学习因子1c取为非线性递减的指数函数,2c取较小的随机值;在迭代后期将学习因子2c取为非线性递增的指数函数,1c取较小的随机值。最后用旅行商问题(Traveling salesman problem,TSP)对改进的算法进行测试,实验结果验证了改进算法的有效性。4.当简化粒子群算法的惯性权重取定值时,算法容易陷入局部最优。为了克服此缺点,本文提出一类非线性递减惯性权重的简化粒子群算法,即惯性权重取递减的指数函数来代替定值的惯性权重。然后用改进的简化粒子群算法求解比例积分微分调节器(Proportion integration differentiation,PID)的参数整定。仿真结果表明,用改进的算法求解出的PID控制参数,对系统的稳定性有明显地提高,说明了改进算法的有效性。5.最后本文证明了简化粒子群算法单个粒子的马尔科夫过程和简化粒子群算法群体粒子满足马尔科夫过程。