粒子群算法是一种随机搜索算法。它借鉴了生物群落捕食的机理,简单通用、鲁棒性强、适合于并行处理,是一种有效的全局搜索方法,在多个方面得到了成功的应用。但粒子群算法也存在易早熟、局部搜索能力差等缺点。本文对基本粒子群算法及其改进算法进行了系统的分析和研究,主要研究如下:
第一,针对基本粒子群算法易陷入局部最优解的缺点,提出了一种改进的粒子群算法。该算法将整个种群分成两部分,一部分粒子仍按原方向飞行,而另外一部分粒子(变异粒子)不再朝群体最优解方向飞行,而是向反方向飞行,这样就提高了种群的多样性,扩大了搜索的空间,改善了常规粒子群算法摆脱局部最优解的能力。在此基础上,还进一步讨论了变异率对寻优结果的影响。
第二,将本文所提改进粒子群算法应用于工业PID控制器的参数整定,以及带约束优化的工业设计中,均取得了非常理想的效果。
第三,目前,离散粒子群算法的研究还比较少。针对基本粒子群算法求解旅行商问题(TSP)时的缺点,如速度慢、效率低且难以表达。本文提出了一种和遗传算法结合的混合粒子群算法。采用类似遗传算法的变异、交叉操作,使得位置更新和速度更新公式易于表达。让整个粒子群分成多个种群分别进行预选式进化,得到了具有局部较优基因组合的新粒子,以此组成新的种群进行全局性的优化。应用于TSP问题的仿真表明,它是一种稳定、高效的优化算法。
最后,将本文所提混合粒子群算法应用于IP网络的QoS路由优化中,以满足Qos要求的同时又使所选路径费用最小为优化指标。对网络的仿真实验表明,此算法具有良好的效果。
