论文部分内容阅读
本文首先概述了粒子群优化算法的背景，接着介绍了粒子群优化算法的初始版本PSO和标准版本(SPSO、CFM)以及PSOPC、UPSO、PSO-DT3种改进算法。然后，从PSO的基本结构、算法的改进以及改进算法的仿真等方面对粒子群优化算法进行了系统性的研究，主要内容包括以下几个方面：
1)对基本粒子群优化算法的基本结构做了一定的分析，指出平衡局部搜索能力和全局搜索能力是非常重要的。并利用离散控制系统结构方框图对标准的粒子群优化算法(SPSO，CFM)以及PSOPC、UPSO、PSO-DT3个改进算法进行了详细的分析，并指出这5种算法容易陷入局部极值点以及具有“早熟收敛”。
2)为了克服算法的早熟收敛，在SPSO基础上提出一种具有速度控制的改进粒子群算法(GPSO)，其中包括两方面改进——速度更新公式和位置更新公式。本文使用13个基准测试函数对GPSO算法进行了试验与分析，试验结果表明GPSO无论是收敛速度还是搜索精度都得到显著提高。
3)在GPSO速度公式的基础上提出了基于遗传因子的混合粒子群算法(PSO-GA)。其思想是利用GPSO算法每次迭代的最优粒子位置pg及最优粒子速度vg为基础进行变异，然后对变异前后的粒子的分量进行随机交叉操作，从而产生新一代粒子群。本文使用13个测试函数对算法进行了试验与分析，试验结果表明PSO-GA无论是收敛速度还是搜索精度都也得到显著提高。最后，总结了全文研究的内容，指出了有待研究的问题和方向。