毕业论文

打赏
当前位置: 毕业论文 > 物理论文 >

粒子群算法应用研究+文献综述

时间:2019-03-03 19:40来源:毕业论文
基于群体智能的智能优化算法。粒子群优化算法在电子,通信,计算和控制系统有着广泛的应用。粒子群优化算法现在主要存在两个问题,搜索后期易出现局部最优和收敛早熟

摘要:  粒子群算法又称粒子群优化算法(POS),是一种基于群体智能的智能优化算法。粒子群优化算法在电子通信,计算和控制系统有着广泛的应用。粒子群优化算法现在主要存在两个问题,搜索后期易出现局部最优和收敛早熟。通过构造新的加权函数来处理这些问题——自适变异粒子群算法。本文主要通过数学函数的优化仿真现象,证明粒子群优化算法在复杂函数求解中有很大优势,增加算法的全局搜索能力,使算法避免收敛早熟。33587
毕业论文关键词: 粒子群优化; 局部最优; 加权函数; 收敛早熟;自适变异
 Study on the application of particle swarm algorithm
Abstract:  Particle swarm optimization (POS) algorithm is also called particle swarm optimization algorithm (POS), is a kind of intelligent optimization algorithm based on swarm intelligence. Particle swarm optimization algorithm in the electronics, communications, computing and control system has been widely used. There are two problems with particle swarm optimization algorithm mainly now, search later susceptible to local optimum and premature convergence. By constructing a new weighted function to deal with these problems, adaptive mutation particle swarm optimization (POS) algorithm. This paper by mathematical function optimization simulation phenomenon, proved that the particle swarm optimization algorithm in solving complex function has a lot of advantage, increase the global search ability of the algorithm, algorithm avoid premature convergence.
 Key words:Particle swarm optimization;Local optimal;Weighted function    Premature convergence ; Adaptive mutation
目    录

摘  要    1
1.引言    1
1.1研究背景    3
    1.2人工生命计算    3
2.算法比较    3
    2.1算法原理    3
    2.2粒子群算法与遗传算法    4
2.3粒子群优化与蚁群算法    5
3.粒子群算法    5
    3.1互联型粒子群算法    5
    3.2POS算法的模型    6
    3.3遗传算法    7
4.粒子群算法优化    8
    4.1基本粒子群优化算法收敛早熟问题    8
    4.2粒子群智能仿真    9
5.总结    12
6.展望    12
参考文献    13
粒子群算法应用研究
1.引言
1.1 研究背景   
     现在算法中依然存在很多的问题不能很好地解决大部分问题,比如模式识别问题,在过去主要是通过局部搜索来选取最优解。经过计算会发现这些都是不合理的解没有代表性,而我们需要的是一个具有代表性准确度大的解。人们逐渐对算法进行进一步研究,提出一种改进算法,这种通过种群得出的群体的随机算法,更符合解决这类问题。经过进一步探索,粒子群优化算法有更广阔的发展,这是一种寻找最好结果的一种新形式[10]。而且可以避免陷入局部最优的结果粒子群优化算法(POS)是通过群体现象行为人为观察得出的算法,它主要就是通过模拟动物种群的行为建立起模型。经过一系列的实验证明PSO可以很好地解决优化问题,更具有广泛适用性和使用性。粒子群优化算法在混乱而且大的空间范围内可以方便的得出最优化的解,现在一般用来解决图像处理和模式识别的问题。
主要通过种群生物算法,称为智能群算法。例如:蚁群、狼群、蚊群和兽群的行为探索用来解决混乱分布问题[11]。这种整体系统解决问题的能力比单个个体组成系统强,更具有系统性。群居昆虫的集体力量、寻找食物、保卫、巢繁殖、食物采集行为。这种群体出现的优势称为智能。得到的启示性社会类昆虫,协作研究、个体原则等,从中找出解决问题新的方式用来解决算法中出现的问题。这种群体之间解决问题的高超能力和系统所具有的协同合作的能力只是通过个体之间和环境的简单作用而产生的。一种自然现象蕴含着算法的本质体现,现在主要是通过生物种群间的作用原理来观察分析,得出其中原理用来解决复杂函数问题以及其他算法问题。过去没有很好地解决方法来处理模式识别中的情况,这些问题都是常常遇到的,但是现在研究还不能有一种得到大家认可的方式解决。后来随着人最对自然的进一步理解,从中得出一种新的优化算法,正好可以解决局部优化的问题[12]。经证明这种算法有优势,可通常避免一部分最优。粒子群优化(POS)是一种随机算法的种群,它模拟鸟群的行为建立起模型[1]。PSO算法在算法中现在占据很大的优势,操作方便,易于理解。粒子群优化算法在混乱而且大的空间范围内可以方便的得出最优化的解,现在一般用来解决图像处理和模式识别的问题。粒子群优化算法在混乱而且大的空间范围内可以方便的得出最优化的解,现在一般用来解决图像处理和模式识别的问题。群智能算法在现在逐渐开始运用在很多方面,优化算法有很大优势就是可以吧繁杂问题简单化,这对于高位复杂函数计算这类繁杂问题有很好的用处,群智能算法也开始应用在智能领域机器人控制,信息后期处理,数据模拟,信号分析等等[19]。群智能算法这种新的途径为优化复杂问题提供便利,对问题的特殊要求较少,算法更容易让人们利用和接受。群智能算法是一种简单的算法,算法所涉及的高深数学内容较少,通过计算机处理问题更加方便。群智能算法经过证明可以用于大多数问题的优化求解,是一种很有发展空间的算法,在未来群智能算法将会应用在各种领域。 粒子群算法应用研究+文献综述:http://www.youerw.com/wuli/lunwen_30753.html
------分隔线----------------------------
推荐内容