在工程科學中有很多實際應用問題都可以轉化成最優(yōu)化問題進行求解,粒子群優(yōu)化算法不需要建立詳細的數(shù)學模型,而是通過模擬鳥群覓食行為過程的一種智能算法,來實現(xiàn)復雜問題的優(yōu)化解決方案。它結構簡單、參數(shù)少、容易實現(xiàn),收斂速度較快。但粒子群算法容易陷入早熟收斂而找不到最優(yōu)解,存在收斂后期種群多樣性較差的不足。因此深入研究粒子群算法的改進及其應用有很好的現(xiàn)實意義。本文主要研究工作如下:首先,介紹了粒子群的尋優(yōu)過程、參數(shù)設置和幾種常見的改進粒子群,分析粒子群的收斂原理;并且針對粒子群存在容易早熟收斂的問題,結合天牛須算法和簡化粒子群算法,將陷入局部極值的粒子進行步長跳躍,跳出的粒子作為新的信息源使其他粒子重新學習,構建一種基于天牛須步長跳躍的改進粒子群算法,提高算法精度。其次,使用混沌策略初始化種群,結合蛙跳算法中的差異性分組,利用量子粒子群可以全局搜索的特點,構建一種基于蛙跳策略的混沌量子粒子群算法,算法加強了粒子間的信息交互,改善搜索后期種群多樣性較差,易陷入局部極值的情況;為了進一步提高改進粒子群的收斂速度,又結合簡化粒子群構建一種基于蛙跳策略的混沌簡化粒子群算法;使用經(jīng)典測試函數(shù),利用MATLA...

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

圖１ＭＤＥ算法變異參數(shù)實驗

，等：????????????????????????????????????????????????????一種粒子群和改進自適應差分進化混合算法及在生產(chǎn)調度中的應用·２２９·為了研究變異因子對算法的性能影響，變異因子Ｆ分別取值０．１，０．５，０．７，１．５，２。圖１、圖２、圖....

圖２ＦＭＤＥ算法變異參數(shù)實驗

???????????????????????????????????????????一種粒子群和改進自適應差分進化混合算法及在生產(chǎn)調度中的應用·２２９·為了研究變異因子對算法的性能影響，變異因子Ｆ分別取值０．１，０．５，０．７，１．５，２。圖１、圖２、圖３分別展示了ＭＤＥ、ＦＭ....

圖３ＰＳＯ＿ＦＭＤＥ算法變異參數(shù)實驗

??????????????????????????一種粒子群和改進自適應差分進化混合算法及在生產(chǎn)調度中的應用·２２９·為了研究變異因子對算法的性能影響，變異因子Ｆ分別取值０．１，０．５，０．７，１．５，２。圖１、圖２、圖３分別展示了ＭＤＥ、ＦＭＤＥ、ＰＳＯ＿ＦＭＤＥ三種算法在不....

圖3-2測試函

第3章基于混沌蛙跳的改進粒子群算法25a)Sphere函數(shù)b)Schwfel1.2函數(shù)c)Sumofpower函數(shù)d)Rosenbrock函數(shù)e)Schwefel函數(shù)f)Rastrigin函數(shù)g)Ackley函數(shù)h)Griewank函數(shù)圖3-2測試函數(shù)的三維圖像

本文編號：4052429