粒子群算法及液相色譜分離條件智能優(yōu)化的研究.pdf

1、群體智能算法是近十年發(fā)展起來(lái)的一類(lèi)智能優(yōu)化算法。該類(lèi)算法是模擬具有社會(huì)性行為生物群體智能的搜索方法，屬于進(jìn)化計(jì)算領(lǐng)域新的研究分支。粒子群優(yōu)化算法(Particle Swarm Optimization，簡(jiǎn)稱PSO)是一種主要的群體智能算法，其源于對(duì)鳥(niǎo)群等群體行為的模擬研究，而提出的一種解決全局優(yōu)化問(wèn)題的進(jìn)化搜索技術(shù)。 本論文針對(duì)標(biāo)準(zhǔn)粒子群算法的易陷入局部極小點(diǎn)，搜索精度不高等缺點(diǎn)，在算法改進(jìn)方面進(jìn)行了較多的研究。一方面從算法本身

2、出發(fā)，提出一種帶有變異因子的改進(jìn)方法，該方法采用分批分別對(duì)粒子配置不同的最大加權(quán)系數(shù)，并增加變異算子的策略來(lái)提高算法跳出局部收斂的能力；另一方面從算法相關(guān)參數(shù)出發(fā)，通過(guò)理論和實(shí)驗(yàn)兩方面研究分析了慣性權(quán)重因子對(duì)算法穩(wěn)定性和多樣性的影響；并在此基礎(chǔ)上，從單個(gè)粒子的角度出發(fā)，提出基于各粒子適應(yīng)值的慣性權(quán)值改進(jìn)策略，該策略在加大粒子收斂性能的同時(shí)，有效的減少了早熟現(xiàn)象的發(fā)生。 QDPSO算法(Quantum Delta-Potentia

3、l-Well-based Particle Swarm Optimization，QDPSO)是近兩年來(lái)發(fā)展的一種基于量子勢(shì)阱的粒子群算法，其進(jìn)化方程與標(biāo)準(zhǔn)粒子群算法完全不同，并且算法參數(shù)少，算法從理論上是能保證全局收斂的，即當(dāng)?shù)螖?shù)趨于無(wú)窮大時(shí)，算法能以概率1收斂到全局最優(yōu)解，但其也存在著易于陷入局部極小的缺陷。本文在該算法基礎(chǔ)上，進(jìn)行了研究和改進(jìn)，通過(guò)對(duì)常用七個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)的仿真實(shí)驗(yàn)，發(fā)現(xiàn)QDPSO算法的全局收斂能力與局部收斂能力

4、優(yōu)于標(biāo)準(zhǔn)PSO算法，而改進(jìn)QDPSO算法提高了算法的全局收斂能力，算法的穩(wěn)定性也有所提高。為了進(jìn)一步驗(yàn)證改進(jìn)算法的收斂性能，將改進(jìn)算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練過(guò)程，避免了梯度下降法中要求函數(shù)可微、對(duì)函數(shù)求導(dǎo)的過(guò)程，提高了網(wǎng)絡(luò)的收斂速度和穩(wěn)定性；通過(guò)Iris分類(lèi)問(wèn)題驗(yàn)證了量子粒子群算法作為網(wǎng)絡(luò)訓(xùn)練算法的有效性。 一個(gè)算法的真正生命在于它的應(yīng)用，粒子群算法的應(yīng)用已經(jīng)擴(kuò)展到了很多領(lǐng)域，這也是算法研究的重點(diǎn)內(nèi)容之一。本文結(jié)合國(guó)家科技部和自