微粒群算法的研究现状及发展趋势

微粒群算法的研究现状及发展趋势 微粒群算法的发展
   在PSO的改进方面，首先是由Kennedy和Eberhart在1997年提出的二进制
PSO，该方法可用于神经网络的结构优化；其次，为了提高算法的收敛性，Shi和Eberhart于1998年对PSO的速度项引入了惯性权重，并提出在进化过程中动态调整惯性权重以平衡收敛的全局性和收敛速度，该进化方程已被相关学者称为标准微粒群算法。2001年，Shi又提出了自适应模糊调节惯性权重的PSO，在对单峰函数的处理中取得了良好的效果，但无法推广。Clerc于1999年在进化方程中引入收缩因子以保证算法的收敛性，同时使得速度的限制放松。有关学者已通过代数方法对此进行了详细的算法分析，并提出了参数选择的指导性建议，同年，Angeline借鉴进化计算中的选择概念，将其引入PSO中，通过比较各微粒的适应值淘汰差的微粒，本文来自优%文,论'文.网，毕业论文 www.youerw.com 而将具有高适应值的微粒进行复制以产生等额的微粒
来提高算法的收敛性。而Lovbjerg等人进一步将进化计算机制应用于PSO，如复制，交叉等，给出了交叉的具体形式，通过仿真实验说明了算法的有效性。Bergh通过使微粒群中的最佳微粒始终处于动态状态，得到了保证收敛到局部最优的GCPSO，但其性能不佳。为了提高算法收敛的全局性，防止微粒陷入“早熟”，保证微粒的多样性是其关键。Suganthan在标准PSO中引入了空间邻域的概念，将处于同一空间邻域的微粒构成一个子微粒群分别进化，并随着进化动念地改变选择阕值以保证群体的多样性：Kennedy引入邻域拓扑的概念束调整增加邻域间的信息交流，提高群体的多样性。Lovbjerg等人于2001年将遗传算法中的子群体概念引入PSO中，同时引入繁殖算子以进行子群体的信息交流。Bergh又于2001年提出了协同PSO，其基本思想是用N个相互独立的微粒群分别在D文的目标搜索空间中的不同文方向上进行搜索。高鹰等于2004年提出了基于模拟退火的PS0和免疫PS0。Higashi等人分别提出了自己的变异PSO算法，基本思路均是希望通过引入变异算子跳出局部极值的吸引，从而提高算法的全局搜索能力，得到较高的搜索成功率。除以上的PSO外，还出现了量子PSO、耗散PS0、自适应PSO等混合改进算法，也有采取PSO与基于梯度的优化方法相结合的PSO。 微粒群算法的研究现状及发展趋势下载如图片无法显示或论文不完整，请联系qq752018766