《改进粒子群算法及其应用研究》由会员分享，可在线阅读，更多相关《改进粒子群算法及其应用研究（64页珍藏版）》请在金锄头文库上搜索。
1、杭州电子科技大学 硕士学位论文 改进粒子群算法及其应用研究 姓名：徐青鹤 申请学位级别：硕士 专业：控制理论与控制工程 指导教师：刘士荣 20091201 杭州电子科技大学硕士学位论文 I 摘 要 粒子群算法（PSO）是一种基于群体迭代的新型仿生优化算法。该算法通过 粒子个体之间的相互协调来寻找最优位置。同遗传算法等其它仿生算法比较，粒 子群算法概念简单、可调参数少。目前粒子群算法引起人们的广泛关注，已成为 人工智能领域一个新的研究热点。不过粒子群算法的发展历史尚短，其理论及应 用研究还有待进一步的扩展。本文对 PSO 算法的搜索机制、改进及应用等方面进 行了较为深入的研究。主要研究内容如下：
2、 针对粒子群算法搜索精度不佳问题，提出了一种具有局部最优模式的动态调 整惯性权重的改进粒子群算法(MPSO)，并且将其应用于复杂函数优化问题。本文 一方面通过跟踪 3 个“极值”（个体极值、全局极值和周围极值）来搜索解空间的 最优值；另一方面通过引入 3 种非线性递减函数对惯性权重进行调整，试图能 够更加合理的反映粒子群搜索的非线性过程。 为了克服粒子群算法对高维函数优化性能不佳问题，提出了一种非线性扩散 粒子群算法(NDPSO)。该算法通过非线性递增的方式对粒子进行扩散操作，使得 算法迭代初期可以避开大量非必要的扩散操作，而在迭代末期将有更大的几率进 行扩散操作，从而既保证算法的运行效率又能
3、有效地提高算法的全局搜索能力， 与此同时用非线性递减策略对惯性权重进行调整，使得算法在没有扩散时提高其 搜索能力。实验结果表明，非线性扩散粒子群算法性能优于基本粒子群算法及其 一些改进算法。 在离散粒子群算法的研究中，提出了一种基于蚁群混沌行为的离散粒子群算 法(DPSO)。受蚁群算法启发，本算法借鉴了蚁群算法的信息素机制，对粒子群算 法的速度位置更新公式重新定义；并在此基础上对粒子群的初始化进行混沌操作 并在一定条件下进行重新初始化，然后将其应用到背包问题中，实验结果表明该 算法可以得到较优解。 提出了一种基于改进粒子群算法与人工势场法结合的移动机器人全局路径规 划方法。采用本文提出的动态扩
4、散粒子群算法来选择人工势场模型，以克服人工 势场模型缺陷，实现路径和安全性的优化。实验结果表明该方法能有效提高路径 规划的性能。 关键词：粒子群优化算法，惯性权重，扩散操作，信息素机制，混沌操作，背包 问题，人工势场法，路径规划 杭州电子科技大学硕士学位论文 II ABSTRACT Particle Swarm Optimization (PSO) is a new biology -inspired algorithms, which based on swarm iterative steps. PSO emphasizes cooperation among individual par
5、ticles to search the optimum location. Compared with GA and other biology-inspired algorithms, PSO has simpler principle, fewer parameters to adjust, so it has attracted increasing attention and been a new hotspot in the filed of artificial intelligence in the past decade. Since PSO algorithm has a
6、short history, its theory and specific applications need further expansion. This thesis made an in-depth exploration on PSO from the aspects of search mechanism, modification and applications. This thesisis organized as follows: A modified particle swarm optimization is proposed to overcome the prob
7、lems such as low precision that existed in standard PSO algorithm. On one hand this algorithm searches for the extreme value by tracking three extreme values (individual extreme value, global extreme value, circumference extreme value). Meanwhile, three non-linear functions are used to adjust the in
8、ertia weight. Complex function optimization problems are used to test the performance of the algorithm. A nonlinear diffusion particle swarm optimization (NDPSO) is proposed to improve the poor search quality of the standard PSO in high-dimensional function optimization. To avoid excessive diffusion
9、 operation in initial iterative stage, NDPSO introduces a nonlinear increasing mode into particle diffusion operation. Meanwhile, by bringing more opportunities to the later period of iterative process, this approach improves the global searching ability under the condition than the efficiency of PS
10、O is not depressed. Moreover, a nonlinear function is introduced to adjust the inertia weight and enhance the searching ability when diffusion operation is not used. Simulations show that non-linear diffusion particle swarm optimization has outstanding performance in high-dimensional function optimi
11、zation compared with traditional and other modified PSO algorithms. For discrete particle swarm algorithm, a discrete particle swarm optimization algorithm based on chaotic ant behavior is proposed. Inspired by ant colony algorithm, pheromone refresh mechanism of ant colony algorithm is introduced i
12、nto the PSO to redefine the update equations of the speed and position, and chaos operation is utilized 杭州电子科技大学硕士学位论文 III to re-initialize the population under certain conditions in this proposed algorithm. Then we used Knapsack problem to test the performance of the proposed algorithm. Compared wi
13、th other algorithms, experiment results show that the proposed algorithm achieves more profits. A mobile robot artificial potential field global path planning approach based on modified particle swarm optimization algorithm is proposed. Dynamic diffusion particle swarm optimization algorithm (DDPSO)
14、 is used to choose the parameters of artificial potential field are optimized. By this approach, some objections of artificial potential field model is solved, and then the route length and safety are optimized. Simulations indicate that it is effective to improve the performance of motion planning.
15、 Keywords: particle swarm optimization, Inertia weight, diffusion operation, pheromone refresh mechanism, chaos operation, Knapsack problem, artificial potential field, path planning 杭州电子科技大学杭州电子科技大学 学位论文原创性声明和使用授权说明学位论文原创性声明和使用授权说明 原创性声明原创性声明 本人郑重声明： 所呈交的学位论文，是本人在导师的指导下，独立进行研究 工作所取得的成果。除文中已经注明引用的内容
16、外，本论文不含任何其他个人或 集体已经发表或撰写过的作品或成果。 对本文的研究做出重要贡献的个人和集体， 均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 日期： 年 月 日 学位论文使用授权说明学位论文使用授权说明 本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证毕 业离校后，发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大学。 学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全 部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。 （保密论文在 解密后遵守此规定） 论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年 月 日 杭州电子科技大
