logo资料库

C语言实现混沌粒子群函数优化算法.doc

发布时间：2022-06-09 发布人：admin 分类：说明书 资料大小：0.38M 资料格式：doc 举报 版权申诉
第1页 / 共49页
第2页 / 共49页
第3页 / 共49页
第4页 / 共49页
第5页 / 共49页
第6页 / 共49页
第7页 / 共49页
第8页 / 共49页
资料共49页，剩余部分请下载后查看
    By
    Dai Yue
    Supervised by
    Lecturer Zhu hai mei
    MAY, 2012
    1.1引言
    粒子群优化算法（PSO）是基于群体智能原理的优化算法，是由美国电气工程师Eberhart和社会心理学
    本文写作前，我曾经查阅了大量相关的文献资料，并得到朱海梅老师的精心指导，从而汲取了宝贵的经验。同时由
    1.2 课题背景、目的及意义
    随着科学技术的发展，实际工程给优化问题的计算求解方法提出了越来越高的要求即必须在众多的局部极优值的包
    1.2.1 课题的背景
    20世纪90年代以来，群体智能（Swarm Intelligence）的研究引起了众多学者的极大关注
    本课题的主要目的是用混沌的思想解决传统的粒子群优化问题中出现的“粒子群在搜索过程中容易陷入局部而无法
    其研究意义如下：
    1.3.1粒子群优化算法的现状与发展
    粒子群优化算法（PSO）作为一种对自然界中生物捕食现象的模拟而提出的群体智能算法，采用基
    1.3.2算法的改进
    1.3.3粒子群优化算法的应用
    1.4 论文研究内容的章节安排
    本科生毕业设计报告 课 题： 用混沌粒子群算法求解函数优化问题 作 者： xxx 专 业： 电子信息科学与技术 班 级： xxx 指导教师： xxx 2012 年 5 月 9 日
    Yangzhou University Graduation Design (Thesis) A Chaos Particle Swarm Optimization Algorithm On Function By Dai Yue Supervised by Lecturer Zhu hai mei MAY, 2012 I
    扬州大学本科生毕业设计（论文） 摘 要 粒子群在搜索过程中容易陷入局部而无法找到全局最优值，且算法后期的粒 子速度下降过快而失去搜索能力等缺陷，为了解决此早熟问题，提出了一种基于 混沌思想的新型粒子群算法。该算法首先通过混沌方法初始化粒子的初始位置和 速度，增强了粒子的搜索能力。算法还通过混沌序列得到的惯性权重取代传统的 线性递减的惯性权重，使粒子速度呈现多样性的特点，从而提高算法的全局搜索 能力；对比仿真实验表明，本文所提出的混沌粒子群算法较传统粒子群算法具有 更好的搜索性能。 本文是基于 VC++6.0 平台，通过 C 语言实现基本粒子群算法和改进的混沌 粒子群算法。通过几个经典测试函数进行实验，列出实验结果。仿真实验结果表 明：混沌粒子群算法比基本粒子群算法具有更好的收敛性能和寻优能力。 关键词：粒子群算法；混沌粒子群；惯性权重 II
    扬州大学本科生毕业设计（论文） ABSTRACT Particle swarm optimization was easily trapped into the local optima and failed In the late period, it is easy to lose search ability because to find the global optima. of the fast particle velocity decrease. To solve this premature problem, a new thought based on chaotic particle swarm optimization algorithm is proposed in this paper. In the improved algorithm, method of chaos is used to initialize the position and speed of particles, which enhances the search ability of particles. Furtherore, self-adapting inertia generated from the chaotic sequence replaces the traditional linear decreasing weight of inertia, which results in the diversity of particles’ speed ,so as to improve the the global search ability. Simulation results demonstrate that the presented chaotic particle swarm algorithm has better search performance than the traditional particle swarm algorithm. Based on vc + + 6.0 platform and C language, basic particle swarm algorithm and improved chaotic particle swarm algorithm are simulated. A few classic test functions are tested, and the experimental results are listed. The simulation results show that: chaotic particle swarm algorithm has better convergence and optimization ability than the basic PSO. Key words ： Particle Swarm Optimization ; Chaotic Particle Swarm ; Inertia Weight III
    扬州大学本科生毕业设计（论文） 目 录 1 绪论....................................................................................................................... 1 1.1 引言..........................................................................................................…...1 1.2 课题背景、目的及意义.................................................................................2 1.2.1 课题的背景..........................................................................................2 1.2.2 课题的目的及意义..............................................................................2 1.3 研究现状.........................................................................................................3 1.3.1 粒子群优化算法的现状与发展..........................................................3 1.3.2 算法的改进一种混沌粒子群算法......................................................3 1.3.3 粒子群优化算法的应用......................................................................4 1.4 论文研究内容的章节安排.............................................................................5 2 基本粒子群算法................................................................................................6 2.1 基本粒子群算法原理……………………………………………………….6 2.2 算法描述………………...............................………………………………..6 2.3 基本粒子群算法的流程…………………………………...………………..7 3 改进的混沌粒子群算法..................................................................................9 3.1 混沌思想.........................................................................................................9 3.2 混沌初始化与区间处理………………………………………….…….…...9 3.3 混沌惯性权重…………………………………………………………..….10 3.4 改进算法的描述…………………………………………………………...11 3.5 混沌粒子群算法流程图…………………………………………………...12 4 仿真实验结果................................................................................................................13 4.1 经典测试函数...............................................................................................13 4.2 初始设置.......................................................................................................16 4.3 搜索结果与结果分析……………………………………………………...16 5 结论...................................................................................................................19 IV
    扬州大学本科生毕业设计（论文） 6 总结...................................................................................................................20 6.1 论文总结.......................................................................................................20 6.2 感想...............................................................................................................20 致谢............................................................................................................................21 参考文献................................................................................................................... 22 英文资料................................................................................................................... 23 英文资料翻译........................................................................................................... 35 V
    扬州大学本科生毕业设计（论文） 1.绪论 1.1引言 粒子群优化算法（PSO）是基于群体智能原理的优化算法，是由美国电气工 程师Eberhart和社会心理学家Kennedy于1995年提出的一种进化计算技术[1] [2]，源 于对鸟群觅食过程中的迁徙和聚集的模拟。尽管每个个体的行为准则很简单，但 组合的整个群体行为非常复杂。该算法基于群体迭代，在解空间中追随最优粒子 进行搜索，其优势在于容易实现，同时又具有深刻智能背景。虽然PSO算法起步 较晚，但其优良的性能受到不少学者的重视。Shi等提出了惯性因子w线性递减的 改进算法[3]，使算法在搜索初期具有较大搜索能力，而在后期又能够得到较精确 的结果，此改进方案大大提高了基本PSO算法的性能。Van den Bergh通过使粒子 群中最佳粒子始终处于运动状态，得到保证收敛到具备最优的改进算法，但其性 能不佳[4]。Mendes等研究粒子群的拓扑结构，分析粒子间的信息流，提出了一系 列的拓扑结构[5]。Zhang将选择算子引入到PSO中，选择每次迭代后较好的例子并 复制到下一代，以保证每次迭代的粒子群都具有较好的性能[6]。PSO算法的优势 在于收敛速度快，易实现并且仅有少量参数需要调整，因而一经提出就成为智能 优化与进化计算领域的一个新的研究热点，现已取得一些研究成果，并在一些领 域得到应用，例如已被广泛应用于目标函数优化、神经网络训练、模糊控制系统 等许多领域。但是，该算法仍然存在着一些需要完善的地方，本文将混沌的思想 引入到PSO算法以提高其局搜索能力，并通过控制粒子平均速度保证算法的搜索 趋势。混沌是被提出用于分析对初始设置非常敏感的动态系统的一种理论工具。 它是由Lorenz 在1972年提出的。这种描述确定系统不确定性的理论有非常良好 的非线性性质，如对初始值敏感和对可行域的遍历等。这些性质有利于分析和应 用于具有多极值的复杂系统。对比仿真实验表明，本文所提改进的混沌粒子群算 法较传统粒子群算法具有更好的搜索性能。 本文写作前，我曾经查阅了大量相关的文献资料，并得到朱海梅老师的精心 指导，从而汲取了宝贵的经验。同时由于时间仓促及本人水平有限，文中难免有 不完善之处，敬请老师们批评指正。 1
    扬州大学本科生毕业设计（论文） 1.2 课题背景、目的及意义 随着科学技术的发展，实际工程给优化问题的计算求解方法提出了越来越高 的要求即必须在众多的局部极优值的包围中搜索到全局最优值，针对粒子群的早 熟问题，提出了基于函数变换的混沌粒子群算法，对粒子的速度更新过程加以改 进，因此通过本次设计一方面可以锻炼自己的学习能力，另一方面可以让我们把 握住现代信息社会脉搏，为以后工作和学习确立正确方向与目标。 1.2.1 课题的背景 20世纪90年代以来，群体智能（Swarm Intelligence）的研究引起了众多学者 的极大关注，群体智能是受社会昆虫的启发，通过对其行为的模拟产生的一系列 解决传统复杂问题的简单合作表现出的智能行为。其中，粒子群优化算法（Particle Swarm Optimization,PSO）是J.K ennedy和R.C.Eberhart在1995年提出的一种基于 群体智能原理的优化算法，源于对鸟群觅食过程中的迁徙和聚集的模拟。但粒子 群在搜索过程中容易陷入局部而无法找到全局最优值，且算法后期的粒子速度下 降过快而失去搜索能力等缺陷，为了解决此早熟问题，提出了一种基于混沌思想 的新型粒子群算法。 1.2.2 课题的目的及意义 本课题的主要目的是用混沌的思想解决传统的粒子群优化问题中出现的“粒 子群在搜索过程中容易陷入局部而无法找到全局最优值，且算法后期的粒子速度 下降过快而失去搜索能力”问题，此方法将Logistic映射引入到粒子群中代替随 机数，将函数变换引入到粒子群的速度、位置更新过程中以凸显全局最优值与局 部极优值的差异，从而使粒子跳出局部极优值点，加细搜索进而找到全局最优值 点。 其研究意义如下： 1、随着科学技术的发展，实际工程给优化问题的计算求解方法提出了越来 越高的要求即必须在众多的局部极优值的包围中搜索到全局最优值。 2、PSO 是一种基于群体智能的新兴进化计算技术，通过群体中个体的合作 竞争而产生的群体智能指导优化搜索，算法具有较强的通用性。 3、针对粒子群的早熟问题，混沌粒子群算法对粒子的速度更新过程加以改 2
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料