基于改进粒子群算法的函数优化研究

本文研究的粒子群算法作为群智能算法中的一个随机搜索算法,它可以用来解决传统优化方法无法解决的优化问题,并且具有算法简易、参数设置较少、收敛速度较快等优点。但在解决优化问题时,仍然有一定的局限性:容易“早熟”,到迭代后期种群多样性欠缺,易陷入局部最优。本文针对粒子群算法存在的局限性从某些方面提出改进:（1）为了解决算法易陷入局部最优和后期种群多样性欠缺的问题:本文运用推广模拟退火算法中的CanchyLortenz跃迁分布和Tsallis接受准则相融于粒子群算法中;并且加入了遗传算法中的选择、交叉和变异机制。（2）粒子群算法对参数的依赖性比较大,本文采用了自适应调整惯性权重法和异步调整学习因子法,本文所给予的参数调整方式更加有利于平衡算法的全局搜索和局部搜索。最后将本文研究的算法应用于函数优化问题,并与其它算法作对比,来验证其改进算法的有效性。