《自适应粒子群算法研究及其在多目标优化中应用》由会员分享，可在线阅读，更多相关《自适应粒子群算法研究及其在多目标优化中应用（86页珍藏版）》请在金锄头文库上搜索。
1、Evaluation Warning: The document was created with Spire.Doc for .NET.目录第一章 绪论31.1本文的。31.1.11智能优优化算法法（见智智能优化化算法及及应用PP1页）41.1.22三种典典型智能能优化算算法41.1.33粒子群群算法与与其他算算法的异异同61.1.44粒子群群算法的的优劣势势及应用用（见粒粒子群算算法及其其应用）71.2 本本文的研研究背景景71.3 本本文的研研究内容容8第二章 粒子群群算法的的基本原原理和发发展现状状82.1 引引言82.2 粒粒子群算算法的起起源背景景82.3 粒粒子群算算法的基基本思
2、想想92.4 基基本粒子子群算法法模型与与实现122.4.11基本粒粒子群算算法模型型122.4.22粒子的的运动轨轨迹分析析132.44.3基基本粒子子群算法法的参数数设置132.4.44基本粒粒子群算算法流程程142.4.55 基本本粒子群群算法的的优缺点点172.55 粒子子群算法法的研究究现状及及方向172.5.11 粒子子群算法法的研究究现状182.5.22 粒子子群算法法的研究究方向192.66 粒子子群算法法的主要要应用192.7 本本章小结结21第三章 改进的的粒子群群算法213.1 引引言213.2 改改进的粒粒子群算算法综述述213.3标准准粒子群群算法(粒子群群算法及及应
3、用PP19)253.3.11 算法法思想253.3.22 测试试函数263.3.33 算法法测试283.3.44 测试试结果与与算法评评估313.4小生生境粒子子群算法法313.4.11 算法法思想313.4.22 算法法测试313.4.33 测试试结果与与算法评评估313.5自适适应调整整飞行时时间粒子子群算法法313.5.11 算法法思想313.55.2 算法测测试313.5.33 测试试结果与与算法评评估313.6本章章小结31第四章 自适应应粒子群群算法AAFIPPSO324.1 引引言324.2 AAFIPPSO基基本思想想324.3 AAFIPPSO算算法流程程334.4 AAFI
4、PPSO实实验344.4.11 测试试函数344.4.22 参数数选取354.4.33 优化化结果与与结果分分析354.5 本本章小结结37第五章 AFIIPSOO在多目目标优化化问题中中的应用用375.1 引引言375.2 AAFIPPSO对对多目标标函数的的优化385.2.11自适应应粒子群群算法（AFIPSO）385.2.22 AFFIPSSO对多多目标函函数的优优化385.3 FFCCUU分馏塔塔的多目目标优化化模型435.4 AAFIPPSO在在工程中中的应用用445.4.11 多目目标转化化为单目目标445.4.22 AFFIPSSO智能能优化FFCCUU分馏塔塔参数调调试445.
5、4.33 AFFIPSSO优化化FCCCU分馏馏塔结果果及其比比较分析析465.5 本本章小结结47结论477参考文献48攻读硕硕士期间间取得的的研究成成果53致谢533第一章 绪论随着人类生生存空间间的扩大大，以及及认识世世界和改改造世界界范围的的拓宽，现现实中碰碰到的许许多科学学、工程程和经济济问题呈呈复杂化化、多极极化、非非线性等等特点，这这就使得得高校的的优化技技术和智智能计算算成为迫迫切要求求。经典的优化化算法通通常采用用局部搜搜索方法法，它们们一般与与特定问问题相关关或是局局部搜索索方法的的变形，适适用于求求解小规规模且定定义明确确的问题题。而实实际工程程问题一一般规模模较大，寻寻
6、找一种种适合于于大规模模并且局局域智能能特征的的算法已已成为人人们研究究的目标标和方向向。二十世纪八八十年代代以来，涌涌现了很很多新颖颖的优化化算法，如如：混沌沌算法、遗遗传算法法GA（Genetic Algorithm）、蚁群算法ACA（Ant Colony Algorithm）、粒子群算法PSO（Particle Swarm Optimization）和模拟退火算法SA（）等。它们通过模拟某些自然现象的发展过程而来，为解决复杂问题提供了新的思路和手段。由于这些算法构造直观且符合自然机理，因而被称为智能优化算法（）。1.1 本文的。智能优化算算法是通通过模拟拟某些自自然现象象的发展展过程而而
7、形成的的算法，以以结构化化和随机机化的搜搜索策略略实现算算法的优优化过程程，常用用于大规规模的并并行计算算。智能能优化算算法提出出后受到到了人们们的重视视，其中中遗传算算法、蚁蚁群算法法、粒子子群算法法作为三三种典型型智能算算法得到到迅速发发展。1.1.11智能优优化算法法（见智智能优化化算法及及应用PP1页）智能优化算算法是通通过模拟拟或揭示示某些自自然现象象或过程程发展而而来的，与与普通的的搜索算算法一样样都是迭迭代算法法，对问问题的数数学描述述不要求求满足可可微性、凸凸性等条条件，是是以一组组解（种种群）为为迭代的的初始值值，将问问题的参参数进行行编码，映映射为可可进行启启发式操操作的数
8、数据结构构。算法法仅用到到优化的的目标函函数值的的信息，不不必用到到目标函函数的倒倒数信息息，搜索索策略是是结构化化和随机机化的（概概率型），其其优点是是：具有有全局的的、并行行的优化化性能，鲁鲁棒性、通通用性强强等。智智能优化化算法的的使用范范围非常常广泛，特特别适用用大规模模的并行行计算。1.1.22三种典典型智能能优化算算法智能优化算算法的应应用范围围广泛，特特别适用用于大规规模的并并行计算算。通过过研究，人人们先后后提出了了多种智智能优化化算法，其其中遗传传算法、蚁蚁群算法法、粒子子群算法法较为典典型。1、遗传算算法（见见粒子群群算法及及应用PP5）1975年年，Hoollaand提出
9、出了遗传传算法，它它是由自自然界的的进化而而得到启启发的一一种有效效解决最最优化问问题的方方法。遗遗传算法法是一种种全局范范围的探探索过程程，在解解决复杂杂问题中中它常常常能够寻寻找到最最优解的的附近区区域。每每个染色色体个体体代表一一个潜在在解，在利用用此算法法求解前前，需对对染色体体进行二二进制编编码，然然后通过过选择、交交叉和变变异三个个步骤进进行进化化，解随随着进化化而得到到改善。1）选择运运算：以以一定概概率从种种群中选选择若干干个体的的操作。选选择运算算的目的的是为了了从当前前群体中中选出优优良的个个体，使使它们有有机会作作为父代代繁殖后后代子孙孙。判断断个体优优劣的准准则是个个体
10、的适适应度值值。选择择运算模模拟了达达尔文试试着生存存、优胜胜劣汰原原则，个个体适应应度越高高，被选选择的机机会就越越大。2）交叉运运算：两两个染色色体之间间通过交交叉而重重组形成成新的染染色体，相相当于生生物进化化过程中中有性繁繁殖的基基因重组组过程。3）变异运运算：染染色体的的某一基基因发生生变化，从从而产生生新的染染色体，表表现出新新的性状状。变异异运算模模拟了生生物进化化过程中中的基因因突变方方法，将将某个染染色体上上的基因因变异为为其等位位基因。遗传算法法作为一一种重要要的智能能优化算算法，发发展至今今已较为为成熟，广广泛应用用于各个个领域。算算法搜索索从群体体出发，具具有潜在在的并
11、行行性；且且交叉和和变异的的过程能能有效避避免早熟熟现象，鲁鲁棒性强强；搜索使用用评价函函数启发发，使用用概率机机制进行行迭代，具具有随机机性、可可扩展性性、容易易与其他他算法结结合的优优点。但是遗传算算法对于于系统中中的反馈馈信息利利用不够够，当求求解到一一定范围围时往往往做大量量无谓的的冗余迭迭代，求求精确解解效率低低。2、蚁群算算法（见见智能优优化算法法及应用用P1221页）蚁群算法是是最近几几年才提提出的一一种新型型的智能能优化算算法，是是对真实实蚂蚁的的觅食过过程的抽抽象继承承与改进进，最早成成功应用用于解决决著名的的旅行商商问题TTSP（TTravveliing Sallesmma
12、n Proobleem）。生物界中的的蚂蚁在在寻找食食物源时时，能在在其走过过的路径径上释放放一种蚂蚂蚁特有有的分泌泌物（ppherromoone）信息素，使得一定范围内的其他蚂蚁能够觉察并影响其行为。当某些路径上走过的蚂蚁越来越多时，留下的这种信息素也越多，以致后来蚂蚁选择该路径的概率也越高，从而更增加了该路径的吸引强度，蚁群就是靠着这种内部的生物协同机制逐渐形成一条它们自己事先并未意识到的最短路线。蚁群算法从这种模型中得到启示并用于解决优化问题。蚁群算法每个优化问题的解都是搜索空间中的一只蚂蚁，蚂蚁都有一个由被优化函数决定的适应度值（与要释放的信息素成正比），蚂蚁就是根据它周围的信息素的多
13、少决定它们移动的方向，同时蚂蚁也在走过的路上释放信息素，以便影响别的蚂蚁。在该算法中中，可行行解经过过多次迭迭代后，最最终将以以最大的的概率逼逼近问题题的最优优解。它它不仅利利用了正正反馈原原理、在在一定程程度上可可以加快快进化过过程，而而且是一一种本质质并行的的算法，不不同个体体之间不不断进行行信息的的交流和和传递，从从而能够够相互协协作，有有利于发发现较好好解。但是蚁群算算法作为为一种新新兴的算算法，还还存在一一定的缺缺陷，如如：该算算法需要要较长的的搜索时时间，由由于蚁群群中各个个个体的的运动是是随机的的，虽然然通过信信息交换换能够向向着最优优解优化化，但是是当群体体规模较较大时，很很难
14、在较较短的时时间内从从大量杂杂乱无章章的路径径中找出出一条较较好的路路径。而而且在搜搜索到一一定程度度后，该该算法容容易出现现停滞现现象。3、粒子群群算法（见见智能优优化算法法及应用用P页）粒子群算法法最早于于19995年提提出，是是对鸟群群、鱼群群觅食过过程中的的迁徙和和聚集的的模拟，是继遗遗传算法法、蚁群群算法后后又一群群体智能能优化算算法，目目前已成成为智能能优化算算法的另另一重要要分支。鸟群在觅食食的迁徙徙过程中中，有既既分散又又集中的的特点。总总是有那那么一只只鸟对食食物的嗅嗅觉较好好，即对对食源的的大致方方向具有有较好的的洞察力力，从而而这只鸟鸟就拥有有食源的的较好信信息。由由于在
15、找找到食物物的途中中，它们们随时都都相互传传递信息息，特别别是好消消息。所所以，在在好消息息的指引引下，最最终导致致了鸟群群“一窝蜂蜂”地奔向向食源，达达到了在在食源的的群集。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。粒子群算法法最大的的特点在在于概念念简单，易于理解，且参数少，易于实现，因而短期内得到很大发展，迅速地得到了国际计算研究领域的认可。但其概念简简单，易易于实现现的同时时也存在在早熟收收敛、稳定性性差等缺缺点。1.1.33粒子群群算法与与其他算算法的异异同遗传算法、蚁蚁群算法法与粒子子群算法法是智能能优化算算法中的的三个重重要成员员。而最最新提出出的粒子子群算法法以高效效的特点点受到学学术界的的广泛重重视，而而它与以以往智能能优化算算法的异异同也吸吸引众多多学者来来研究。1、粒子群群算法与与遗传算算法的异异同粒子群算法法与遗传传算法最最大的共共同之处处在于都都是基于于“群体”。两种种算法都都是随机机初始化化群体，基基于适应应度的概概率计算算，然后后根据适适应值来来进行一一定的随随机搜索索，且都都不能保保证一定定能够找找到最优优解。遗
