粒子群优化算法研究

粒子群优化算法（Particle Swarm Optimization，PSO算法）源于鸟群和鱼群群体运动行为的研究，是一种基于群智能方法的演化计算技术，是演化计算领域中的一个新的分支。本论文系统的论述了PSO算法及其各种的研究成果，并且针对基本粒子群算法的易陷入局部极小点，搜索精度不高等缺点，在算法改进方面提出了异步模式的PSO算法，并用Java多线程技术予以仿真并行实现；而且针对基本PSO中的三个启动参数的确定问题上，提到了使用复合粒子群算法的方法。同时，用一些标准函数测试这些方法，取得了较好的效果；也将这些方法运用到实际化工优化问题中，同样取得了很好的效果。 本论文的重点在于对PSO算法的改进上，主要内容包括： 1．加入了惯性权重因子w的改进基本PSO算法，用Schaffer's f6函数测试并分析了参数Vmax与w对粒子群优化算法的影响。 2．研究粒子群优化算法生物特征的基础上，充分考虑了群体中粒子的个体独立性和个体之间的信息共享性，提出了粒子群优化算法的异步模式。在异步模式的程序实现上，采用Java多线程技术，使每个粒子的行为成为一个独立的线程，进化中的粒子个体充分表现出独立性，种群表现出异步性。利用一些经典的标准测试函数，与经典PSO算法（为同步模式）进行了比较分析，结果表明：异步模式的收敛速度较同步模式有显著的提高；同时，在一个较小时间段之后，异步模式在寻优效果上也明显优于同步模式。 3．在粒子群算法中主要的三个启发式参数w、c1和c2选取上，采用3个实数编码的常规遗传算法对其进行优化，形成复合粒子群优化算法。用标准函数进行测试，并且应用于化工模型的参数估计上，效果良好。