群體智能算法作為元啟發(fā)式優(yōu)化算法的一個重要分支,以其獨特的自適應性而生生不息。它能夠被用來解決傳統(tǒng)優(yōu)化算法如梯度下降法等無法解決的優(yōu)化問題,受到了各個領域學者的青睞。粒子群算法是上世紀九十年代年提出的一種智能優(yōu)化算法,它具有參數(shù)少、邏輯簡單、適應性強、尋優(yōu)精度較高等優(yōu)點。但在面對復雜問題時會存在收斂速度慢、易陷入局部最優(yōu)、早熟收斂等問題。鑒于此,本文對標準粒子群算法做出改進,提高其性能,然后將改進之后的粒子群算法應用于陣列天線綜合和WLAN天線的結構優(yōu)化當中。論文的主要研究成果包括:1.對標準粒子群算法的產(chǎn)生由來、數(shù)學原理、研究現(xiàn)狀、實際應用等方面進行闡述,指出算法的不足,為后續(xù)改良提供思路。2.針對粒子群算法目前存在的不足,為進一步提高算法的收斂速度和尋優(yōu)能力,本文做出如下幾個方面的改進:首先,采用多種群初始化策略,保證初始粒子在解空間的均勻分布;隨后,引入精英指導策略來對粒子步進方向提供指導,提高收斂速度;然后,運用超球面擾動策略對陷入局部最優(yōu)的精英粒子做擾動,保證群體的全局尋優(yōu)能力;最后,用調整基本參數(shù)取值策略來平衡整個迭代收斂過程。3.利用標準測試函數(shù),將本文的改進粒子群算法同...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

圖２．１粒子群算法模型示意圖??通過抽象分析，麥田就可以看作是解空間，也就是需要尋優(yōu)的函數(shù)取值范圍；食物濃度??

鳥群會記錄下當前所有探索過的麥田中食物濃度最高的位置，記為Ｇｂｅｓｔ，而每只小??鳥也會記錄下自己所發(fā)現(xiàn)的食物濃度最高的位置，記為Ｐｂｅｓｔ。小鳥根據(jù)Ｇｂｅｓｔ和Ｐｂｅｓｔ的指??引確定下一個搜索位置。模型示意圖如圖２．１所示：??／?身？?？??響?＞?鬱＇＼?，?？‘?瓤．?....

圖２．３標準ＰＳＯ算法流程示意圖??２．２．４算法收斂性分析??Ｆｒａｎｓ在文獻［１６］中對ＰＳＯ算法的收斂性進行了分析，他通過單個粒子的運動行為采用遞??

ｉＰｂｅｓｔ（ｔ）???？??圖２．２粒子位置更新示意圖??分析式（２．５）、（２．６）可知，粒子的下一個位置由三個狀態(tài)所決定。第一項是粒子上??一次迭代的移動速度，可以理解為運動方向上的慣性；第二項是粒子根據(jù)自身經(jīng)驗來指導自??己后續(xù)的探索行為；第三項則是粒子根據(jù)群體所共享出來....

圖3.1超球坐標轉換示憊圖

??杭州電子科技大學碩士學位論文?????英”粒子也要更新以適應指導的要求。??３．２．３超球面擾動策略??種群在尋優(yōu)的過程中由于“精英，，粒子的指導作用，其余粒子會快速地往“精英”粒子??靠攏，如果“精英，，粒子處在一個局部最優(yōu)空間，那么種群會快速聚集于該局部最優(yōu)從而發(fā)??生早....

圖３．２超球面擾動示意圖??，，，??

下圖是直角坐標到超球面坐標轉化示意圖：??ＡＺ??圖３．１超球坐標轉換示意圖??由式（２．５）、（２．６）可以推斷出，持續(xù)的迭代過程中粒子之間的距離會越來越近，導致??“精英”的移動速度會變慢，致使“精英，，陷入局部最優(yōu)之后難以跳出，不合理的移動方向??也增加了跳出局部最優(yōu)的難度....

本文編號：3998890