论文部分内容阅读
粒子群优化算法(PSO,Particle Swarm Optimization)是自1995年正式提出以来不断兴起和壮大的一种新的优化问题解决方案,它的概念简单且易于实现,用具有一定智能的粒子代表具体优化问题中的候选解,通过随机初始化一定规模的粒子群,并使之不断迭代进化,利用群体和个体的信息快速寻得最优解。这种算法具有群智能和进化计算两大理论基础,以其参数少设置简单,收敛速度快等优点倍受广大学者亲睐。目前,为了使PSO算法表现更为优秀,已发表了大量有关其改进算法的论文,而且这些改进算法也已成功应用于很多工程优化问题中,并随着改进研究的不断深入,其应用领域还在不断扩展,性能也得到不断的提高。本文首先深入研究了基本PSO的理论基础、基本原理和实现流程,并对算法涉及的参数进行了分析。然后通过仿真实验对基本PSO算法的有效性及其实现特点进行了分析。其次,针对基本PSO存在的不足,分析了其根本原因,从粒子运动特点出发,总结了算法需要改进的方面,以及基本的改进方向,并通过已有的改进实例阐述了该算法改进方法实现及其适用范围。再次,本文通过对基本理论和已有改进方法的分析,提出了一种基于多智能体理论的多智能粒子群优化算法,给出了该改进算法的具体的实现步骤,并通过MATLAB仿真实验验证了改进方法的有效性,通过对优化结果进行具体分析,指出了该改进算法的优势和不足。最后,论文总结了对于改进PSO算法做出的努力,并对PSO及其新的改进方法中存在的不足提出了进一步的研究计划。实验证明改进PSO即MAPSO,对高维多峰值等复杂函数优化问题的寻优表现较基本PSO算法更加有效,在一定程度上提高了算法的寻优准确性,减少算法易陷入局部最优,早熟收敛等问题,真正实现了PSO算法的全局寻优。但同时该改进算法也增加了算法的复杂程度。因此,对该算法的理论和性能还需进一步完善。