论文摘要：结构化粒子群优化算法研究

随着人类社会的不断发展，面对越来越复杂的实际问题，人们需要更加高效的优化方法。而自然界中的生物个体和行为总是人们灵感的来源，通过对鸟群行为的研究，Kennedy教授和Eberhart教授提出了基于对鸟类群体迁徙和觅食行为模仿的粒子群优化算法（PSO）。由于PSO算法简洁，容易实现并且没有许多参数的调节，PSO广泛应用于生产生活中的各个方面。

PSO算法的基本原理是通过粒子间的协同合作和信息分享达到寻找问题优解的目的，其本质上是一个建立在种群拓扑网络上的信息交互系统。前人的研究成果表明，系统的结构对系统功能有非常重要的影响。因此，本文针对PSO算法种群结构对算法优化性能的影响开展研究。通过对种群拓扑网络特性的研究，我们发现一个具有一定异质性、适中稠密程度的种群拓扑结构有利于PSO算法的优化性能。因此，本文提出了具有无标度网络拓扑结构的粒子群算法SF-PSO，结果显示SF-PSO的优化性能明显优于传统PSO。在此基础上，本文进一步分析SF-PSO的优化机理。结果显示，种群中的中心粒子在优化过程中发挥了主导性的作用，而非中心粒子则具有更强的保持种群活跃性的能力，有助于粒子群算法的优化效果，正是由于中心粒子和非中心粒子的共同作用，使得SF-PSO取得良好的优化性能。

在对SF-PSO的优化机理进行分析时，我们发现中心粒子和非中心粒子的不同个体行为策略对算法优化性能会产生不同影响。传统PSO算法为每个粒子提供信息的信息源通常为其一个邻居或所有邻居，这样过少或过多的信息都会抑制PSO算法的优化性能。因此，本文提出有限信息获取的粒子群算法LIPSO，LIPSO中的粒子在优化过程中可以获得众多表现优秀的邻居的信息，又可以很大程度上避免不必要的冗余信息的干扰，取得了优于传统PSO算法的优化性能。本文进一步分析了LIPSO的优化性能，结果表明LIPSO具有最好的粒子运动一致性，这使得LIPSO可以兼顾全局寻优和局部寻优，从而获得良好的优化性能。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/280908.html