動(dòng)態(tài)環(huán)境中微粒群優(yōu)化算法研究及應(yīng)用.pdf

1、優(yōu)化問(wèn)題是一個(gè)古老而又具有挑戰(zhàn)性的問(wèn)題,優(yōu)化問(wèn)題被廣泛的用于科學(xué)研究與工程實(shí)踐中.傳統(tǒng)的優(yōu)化方法計(jì)算量大、復(fù)雜程度高,難以求解復(fù)雜的優(yōu)化問(wèn)題,有時(shí)無(wú)法找到問(wèn)題的全局最優(yōu)解.采用智能算法解決優(yōu)化問(wèn)題計(jì)算簡(jiǎn)單,容易實(shí)現(xiàn),因此,將智能算法應(yīng)用于求解優(yōu)化問(wèn)題已經(jīng)成為一種熱門(mén)而且有效的方法.
　　微粒群算法(Particle Swarm Optimization，PSO)是Kennedy和Eberhart受到鳥(niǎo)群覓食行為的啟發(fā)而提出來(lái)的一種

2、群體智能優(yōu)化方法.由于微粒群算法計(jì)算簡(jiǎn)單,易于實(shí)現(xiàn),全局收斂能力強(qiáng)和具有魯棒性等優(yōu)點(diǎn),已經(jīng)成為計(jì)算智能領(lǐng)域的研究熱點(diǎn),并在不斷的研究、改進(jìn)及應(yīng)用中.
　　隨著研究人員對(duì)微粒群優(yōu)化算法的深入研究,該算法已被成功地應(yīng)用于解決靜態(tài)優(yōu)化問(wèn)題.然而,現(xiàn)實(shí)生活中的許多問(wèn)題是隨著時(shí)間和空間的變化而變化的動(dòng)態(tài)優(yōu)化問(wèn)題(Dynamic Optimization Problem,DOP),然而,面對(duì)這些變化的動(dòng)態(tài)優(yōu)化問(wèn)題,要求優(yōu)化算法能夠及時(shí)的反應(yīng),

3、快速的跟蹤變化的解.這對(duì)于微粒群優(yōu)化算法來(lái)說(shuō)不僅是一個(gè)新的研究領(lǐng)域,更是一個(gè)挑戰(zhàn).
　　針對(duì)以上問(wèn)題,本文從原理、方法和應(yīng)用三個(gè)方面對(duì)動(dòng)態(tài)環(huán)境中的微粒算法進(jìn)行了研究。論文的主要內(nèi)容包括以下三個(gè)部分:
　　1、針對(duì)標(biāo)準(zhǔn)微粒群算法容易陷入局部最優(yōu)的不足,提出一種改進(jìn)的自適應(yīng)微粒群算法.在該算法中,首先找出微粒群中個(gè)體的全局最優(yōu)適應(yīng)度值和全局最差適應(yīng)度值,然后基于這兩個(gè)值對(duì)標(biāo)準(zhǔn)微粒群算法中的“社會(huì)”影響部分進(jìn)行改進(jìn),同時(shí)針對(duì)環(huán)境變

4、化后對(duì)環(huán)境變化的響應(yīng)提出一種全新的響應(yīng)方法,最后,通過(guò)實(shí)驗(yàn)驗(yàn)證了該改進(jìn)算法的有效性。
　　2、針對(duì)標(biāo)準(zhǔn)微粒群算法在進(jìn)化過(guò)程中容易失去種群多樣性的問(wèn)題,將整個(gè)種群分成兩個(gè)子群,一個(gè)子群用來(lái)開(kāi)發(fā)新的搜索區(qū)域?qū)ふ易顑?yōu)解,另一個(gè)子群結(jié)合群搜索(Group Search Optimizer，GSO)機(jī)制保持種群多樣性,避免算法陷入局部極值.提出了一種能夠在算法執(zhí)行過(guò)程中始終保持種群多樣性的微粒群算法,實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法具有良好的保持種群多樣