在工程科學中有很多實際應用問題都可以轉化成最優化問題進行求解,粒子群優化算法不需要建立詳細的數學模型,而是通過模擬鳥群覓食行為過程的一種智能算法,來實現復雜問題的優化解決方案。它結構簡單、參數少、容易實現,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實意義。本文主要研究工作如下:首先,介紹了粒子群的尋優過程、參數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;使用經典測試函數,利用MATLA...

【文章頁數】：61 頁

【學位級別】：碩士

【部分圖文】：

圖１ＭＤＥ算法變異參數實驗

，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b)Schwfel1.2函數c)Sumofpower函數d)Rosenbrock函數e)Schwefel函數f)Rastrigin函數g)Ackley函數h)Griewank函數圖3-2測試函數的三維圖像

本文編號：4052429