基于相似度變異的改進(jìn)粒子群算法及其應(yīng)用研究.pdf

1、　　群體智能算法的產(chǎn)生擺脫了傳統(tǒng)優(yōu)化技術(shù)當(dāng)前所面臨的困境,為求解日益規(guī)?；?、復(fù)雜化、約束強(qiáng)的優(yōu)化問題提供了新的思路,同時(shí)也解決了工程、化工、圖像處理等領(lǐng)域的諸多實(shí)際問題。粒子群優(yōu)化算法(Particle Swarm Optimization, PSO 算法)是其中一種新興的隨機(jī)搜索算法,它在向個(gè)體自身歷史最優(yōu)和種群最優(yōu)學(xué)習(xí)的基礎(chǔ)上,不斷向全局最優(yōu)解靠近來達(dá)到尋優(yōu)目的。該算法因具有實(shí)現(xiàn)簡單、調(diào)整參數(shù)少、收斂較快等特點(diǎn),在實(shí)際應(yīng)用中表現(xiàn)出了

2、巨大的潛力。
　　然而 PSO 算法在理論數(shù)學(xué)分析方面與實(shí)踐應(yīng)用研究方面都尚未完全成熟,且算法自身也存在著局限性。本文從粒子群算法的基本理論分析、改進(jìn)及應(yīng)用方面展開了研究,研究的主要內(nèi)容包括：
　　1.總結(jié)了標(biāo)準(zhǔn)PSO算法在運(yùn)行后期出現(xiàn)多樣性匱乏的原因,針對(duì)該缺陷,本文提出了一種改進(jìn)的 PSO 算法,改進(jìn)的工作包括：第一、提出了采用以全局最優(yōu)粒子為中心點(diǎn)的動(dòng)態(tài)單位空間內(nèi)粒子個(gè)數(shù)作為聚集度,衡量種群的多樣性,降低了多樣性計(jì)

3、算的復(fù)雜程度；第二、利用基于歐式距離的向量相似度的概念定義了粒子相似度；第三、將計(jì)算出的相似度作為粒子變異策略的依據(jù),提出了基于相似度變異的變異公式；使用MATLAB對(duì)改進(jìn)算法進(jìn)行了仿真,并將其與幾個(gè)經(jīng)典的改進(jìn)算法進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果說明了改進(jìn)算法的有效性與優(yōu)越性；
　　2.本文選取了電子商務(wù)中的兩個(gè)優(yōu)化問題：季節(jié)性產(chǎn)品定價(jià)問題與物流配送中心選址問題,首先對(duì)這兩個(gè)問題進(jìn)行了相關(guān)知識(shí)的介紹,最后采用實(shí)例對(duì)模型進(jìn)行了求解,一方面證實(shí)