导读:本文包含了群智能粒子群优化论文开题报告文献综述及选题提纲参考文献，主要关键词:群智能算法,粒子群优化,鸡群优化,多目标优化
群智能粒子群优化论文文献综述
史旭栋[1]（2018）在《基于粒子群优化和鸡群优化的群智能算法研究》一文中研究指出在工程科学中,很多问题都转化为最优化问题进行求解.在群智能优化算法中,粒子群优化算法和鸡群优化算法由于其优点较多而被用于求解大量的工程科学问题.粒子群优化和鸡群优化算法虽然有其优点,但仍然存在缺点.通过上述分析对粒子群优化算法和鸡群优化算法的性能从以下角度进行研究.1.论文对基本的粒子群优化算法和鸡群优化算法进行描述,并分析了其特点.将粒子群优化算法、鸡群优化算法和磷虾群优化算法进行比较,且对粒子群优化算法和鸡群优化算法的优缺点进行分析.然后,提出了几种粒子群优化算法和鸡群优化算法的改进策略.2.由于粒子群优化算法收敛速度过快,使得算法迭代后期多样性不足,而常常陷入局部最优解,使算法的搜索停滞不前,于是对基本的PSO算法提出几种策略.(1)提出了一种带有牛顿方向的自适应扰动改进粒子群优化算法.该算法是基于随机扰动的粒子群优化算法,将牛顿下降方向和随机扰动相结合,利用随机扰动使陷入局部最优的粒子跳出局部陷阱,牛顿方向引导当前最好粒子快速寻优.(2提出了带有克隆加速策略的粒子群优化算法.该算法利用粒子群优化算法进行全局寻优,克隆策略扩大全局寻优范围,局部优化算法加速收敛.(3)引入模糊推理改进速度和位置更新公式以增强粒子全局搜索能力,再将中心粒子与交叉算法引入本文,以增强粒子间的信息共享,从而增加了局部搜索能力.最后用Logistic映射对粒子进行扰动.(4)针对粒子群优化算法的模型进行分析,建立马尔科夫链模型,分析此马尔科夫链的一些性质,证明粒子群状态序列是有限齐次的马尔科夫链.并且根据随机算法的收敛准则,证明了该算法系统的全局收敛性.3.鸡群优化算法在收敛过程中,小鸡跟随母鸡时常常会陷入局部最优解,并且对于高维复杂问题,往往收敛精度不够.针对以上两个不足,本文提出几种改进策略.(1)利用模糊推理改进鸡群优化算法母鸡和小鸡的更新公式,并自适应地调节参数.再用Tent扰动增强后期的多样性.(2)提出了改进的鸡群优化算法.顶层由个体最优点构成,而底层由所有粒子构成,将顶层的粒子分给各个子群。粒子有两种不同控制参数和两个不同控制差分变异算法。(3)CSO算法由于其较低的全局搜索效率,可能会陷入局部解.ABC算法缺乏强有力局部搜索能力使得收敛速度较慢.于是,结合CSO的局部搜索阶段和ABC的全局搜索阶段提出CS-ABC算法.(4)在鸡群优化算法中,简化了公鸡、母鸡和小鸡的迭代公式,分析了迭代公式的特性,对鸡群优化算法进行了收敛性分析,并矫正了算法中参数的取值范围.(5)有限信息引入小鸡的迭代公式,使得小鸡能够向周围的鸡群学习,从而将更多的有用信息传递给小鸡,使得小鸡能更好的寻找食物.再利用混沌映射对鸡群优化算法进行扰动,保证了算法后期的多样性.(6)在鸡群中母鸡的更新公式第二项为母鸡所在鸡群中的公鸡与母鸡个体的差,第叁项为公鸡母鸡群中的随机个体与母鸡个体的差,如此的减法机制,使得算法在迭代过程中陷入早熟或者停滞不前.本文提出一种正态更新机制的鸡群优化算法克服了这个问题.4.在多目标粒子群优化算法中,为了引导粒子向pareto前端收敛并且保持多样性.首先将非劣解集中的点映射到平行格坐标系统中,引入pareto熵和差熵对粒子的现状进行评估,利用评估结果对算法参数进行改进,再利用克隆免疫操作对外部档案进行维护,并利用混沌映射对算法进行扰动.数值试验证明算法具有良好的收敛精度和多样性.5.对鸡群优化算法的公鸡更新公式进行改进,将鸡群优化算法从单目标算法拓展到多目标算法.并用非支配领域对算法进行改进.数值试验证明,多目标鸡群算法比多目标粒子群算法有更好的收敛精度和多样性.6.在社会日益繁华的今天,电力系统的需求越来越大并且越来越复杂,此时人们都需要一个安全、可靠、经济、优质和低碳的电能供应系统.在这些指标日益增加的情况下,将多目标粒子群优化算法应用于配电网中.本文提出一种既廉价又环保的模型,并用非支配邻近的粒子群优化算法求解.然后将改进的多目标鸡群优化算法应用于电动汽车的充放电应用中,建立各自的数学模型,利用罚函数将约束优化模型变为无约束优化模型,再利用改进的算法进行求解.(本文来源于《宁夏大学》期刊2018-03-01）
任子晖,王坚[2]（2010）在《基于智能粒子群优化算法的人员疏散问题研究》一文中研究指出针对建筑物内发生火灾时人员疏散的逃逸行为进行了研究,将智能粒子群优化算法应用在人员逃逸的过程中,提出了一种智能粒子群逃逸模型。将行人群比拟为粒子群,并将粒子赋予一定的维能力,此时的智能粒子将会具有类似行人的一些特征如行为特征和心理特征。智能粒子在受灾害模型与自身思维特征模型的影响下,确定其逃逸的速度包括速度的大小和方向,然后改变自己目前的位置。在建模的过程中,还考虑了智能粒子间的碰撞及建筑物内诱导信息的作用。最后通过应用智能粒子群优化算法对某一建筑物内发生火灾时人员逃逸行为的二维仿真实验来验证模型的有效性及算法的可行性。(本文来源于《系统仿真学报》期刊2010年12期）
颜俊华,张敏,王永军[3]（2010）在《基于遗传算法的智能粒子群优化方法》一文中研究指出定义了粒子群优化(PSO)的参数空间,把探索性能最优的粒子群算法转化为一个参数优化问题,提出了用遗传算法优选PSO参数组合的一种方法,并给出了具有较好运算性能的PSO形式(参数组合).数值实验表明此设计方法应用效果好.(本文来源于《西南大学学报(自然科学版)》期刊2010年11期）
高芳[4]（2008）在《智能粒子群优化算法研究》一文中研究指出随着科学技术的发展,国民经济和国防科技等领域的生产过程越来越离不开优化设计,尤其是大量的高、精、尖产品,更需要性能非常优越的优化方法。粒子群算法具有原理简单、参数少、易实现及收敛速度快等特点,该方法对于不同类型问题具有较广泛的适应性,并很快在多个领域被有效地应用。粒子群算法作为一种新的智能算法,存在着迭代初期易出现早熟、迭代后期收敛速度变慢等问题,在应用拓展上也依赖于具体问题。为此,本文对粒子群优化算法进行了深入的理论分析,面向连续优化问题和组合优化问题,针对算法所存在的问题提出几种相应的改进新算法,并将其应用到具体工程实践中。在单目标连续优化方面,本文提出将多种群思想引入到粒子群优化算法中,提出了一种双层多种群粒子群优化新算法,该算法实现粒子群优化算法的群体拓展和双并行运行机制,这样可以针对性地提高粒子群算法的全局搜索能力,同时采用不同粒度的多子群并行机制和种群间的双向最优信息流动也提高了该算法的局部搜索能力。通过对多个多峰、欺骗性典型函数的测试验证了上述算法的有效性,进一步通过对机器人结构参数的优化实例验证了本算法的实用性。粒子群算法后期收敛速度较慢的主要原因是群体中各个个体极值更新缓慢。为此本文提出一种粒子位置择优更新的粒子群算法。利用粒子位置的可择优更新,就是使每个粒子在每步迭代时都可以从3个备选点中选择最佳点进行更新,增加了粒子找到更好位置的概率,提高了个体极值乃至全局极值的更新速率,以极小的时间代价提高了算法的效能。通过六个典型测试函数和移动机器人路径规划的实例对该算法的实用性和有效性进行了验证。多目标约束优化一直是优化领域中的瓶颈问题,除需处理多个目标外,还存在着约束处理影响计算效率的问题。粒子群算法只保留最优信息,对邻近最优点的不可行解缺乏智能性的判断和保留机制,在解决多目标优化问题中效果不理想。而文化算法由于具有基于文化的信仰空间和群体空间的双并行机制,特别适合处理约束优化问题。为此本文提出一种求解多目标约束优化问题的双层次进化的文化粒子群算法。新算法在群体空间采用改进的粒子群算法,并采用直接比较法处理约束条件,避免了传统罚函数方法存在的缺点。在算法迭代过程中随时调整不可行解参数,使解集中不可行解保持在一定的比例范围内,维持了种群的多样性,进一步避免算法陷入“早熟”,提高了算法全局搜索能力。信仰空间接收群体空间中的精英粒子,并采用了交叉操作和小生境Pareto竞争策略保证所产生的最优解集能够均匀地分布在Pareto前沿。最后采用两个测试函数和一个工程减振器的优化设计实例对此算法进行了验证,测试和实例计算表明该算法是一种快速、有效的多目标优化方法。组合优化问题具有广泛的应用背景,它的目标是寻找解空间中离散状态的最优组合。离散粒子群算法为求解这类问题提出了一种新方法,本文针对基本离散粒子群优化算法存在的易于陷入局部最优解、求得的解的精度不高的缺点,提出了两种具体改进新算法:以典型的01背包问题为研究对象,基于生物病毒机制和宿主与病毒基于感染操作等思想,提出一种解决单目标组合优化问题的病毒协同进化离散粒子群优化新算法。该算法利用病毒的水平感染和垂直传播能力提高粒子群算法的性能。实验证明,病毒感染操作成功地增强了对解空间的局部搜索功能,使求解精度明显优于其它几种算法。以典型的虚拟企业中的伙伴选择问题为应用背景,研究将离散粒子群算法应用到多目标组合优化问题。基于改变粒子速度策略提出了粒子速度阈值可调的离散粒子群优化新算法。该算法通过引入随迭代过程逐步变小的适应性可调速度阈值参数来平衡全局搜索能力和局部搜索能力之间的矛盾,提高算法的性能。(本文来源于《哈尔滨工业大学》期刊2008-06-01）
群智能粒子群优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对建筑物内发生火灾时人员疏散的逃逸行为进行了研究,将智能粒子群优化算法应用在人员逃逸的过程中,提出了一种智能粒子群逃逸模型。将行人群比拟为粒子群,并将粒子赋予一定的维能力,此时的智能粒子将会具有类似行人的一些特征如行为特征和心理特征。智能粒子在受灾害模型与自身思维特征模型的影响下,确定其逃逸的速度包括速度的大小和方向,然后改变自己目前的位置。在建模的过程中,还考虑了智能粒子间的碰撞及建筑物内诱导信息的作用。最后通过应用智能粒子群优化算法对某一建筑物内发生火灾时人员逃逸行为的二维仿真实验来验证模型的有效性及算法的可行性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
群智能粒子群优化论文参考文献
[1].史旭栋.基于粒子群优化和鸡群优化的群智能算法研究[D].宁夏大学.2018
[2].任子晖,王坚.基于智能粒子群优化算法的人员疏散问题研究[J].系统仿真学报.2010
[3].颜俊华,张敏,王永军.基于遗传算法的智能粒子群优化方法[J].西南大学学报(自然科学版).2010
[4].高芳.智能粒子群优化算法研究[D].哈尔滨工业大学.2008