针对函数优化问题的粒子群优化算法的改进研究

粒子群优化(Particle Swarm Optimization, PSO)算法是智能优化算法的代表之一。该算法的特点是简单,需要设置和调整的参数较少,收敛速度较快,且容易实现。所以它自一提出,就引起了广泛的注意,并得到了迅速的发展。但是现在,对PSO的研究还不完善,而基本PSO又存在一些缺陷,如收敛精度不高,迭代后期收敛速度慢,容易陷入局部最优。所以,对PSO的改进研究是非常有意义的。 本文主要针对连续函数优化问题进行研究,提出了两种改进PSO,并通过仿真实验验证。本文进行的主要研究工作和提出的创新点概述如下： 1)提出了一种自适应扩展的简化PSO。该算法做了如下改进：a)采用了仅有位置项的简化的PSO架构,b)用所有粒子个体极值的平均值来代替速度更新方程中每个粒子的个体极值,c)采用自适应调整加速系数策略。通过与其它算法的数值实验对比可知,新算法能够有效避免局部收敛现象,收敛精度和收敛速度也得到了较好的改善。 2)提出一种带扰动因子的自适应PSO。该算法首先混沌初始化了速度项和位置项,自适应的动态调整参数惯性权重,并将扰动因子加入粒子个体极值、全局极值和位置更新公式中。数值实验研究表明,新算法能够有效避免局部收敛现象,全局收敛性能显著提高,具有较快的收敛速度和较好的收敛精度。 论文在最后对所做的研究工作进行了概括总结,并提出了进一步研究的方向和对未来的展望。