Matlab粒子群优化算法的性能仿真研究+源代码(4)
时间:2018-05-24 11:34 来源:毕业论文 作者:毕业论文 点击:次
1.2.2 粒子群算法的应用 在PSO算法的应用方面，自PSO算法提出以来，它已经在很多领域得到了成功的应用，比如天线设计，生物医学，通讯网络，分类与聚类，组合优化，自动控制，VLSI设计，逻辑电路设计，滤波器设计，电力系统设计，电磁场设计，金融风险预测，投资决策，人脸检测与识别，神经网络，车间调度，无线传感器网络等。 粒子群优化算法一提出就吸引了广泛的注意，各种关于它的应用研究的成果不断涌现，有力地推动了其研究。粒子群优化算法的应用领域比较多的有函数优化、神经网络训练、工业系统优化与控制以及其它进化算法的应用领域等。 许多实际问题都可以归结为函数优化问题，粒子群优化算法用于一般的函数优化问题并不令人意外，但值得注意的是将它用于各种复杂的优化问题也取得了一些进展。例如，用离散粒子群优化算法求解TSP问题；粒子群优化算法求解噪声和动态环境下的优化问题；粒子群优化算法用于多目标优化问题等。将粒子群优化算法用于实际系统的模拟和控制问题，也都得到了很好的效果。 PSO算法应用面很广泛，Kassabalidis I等利用PSO实现对卫星无限网络路由的自适应调整，提高网络容量的有效利用率。Robinson J，Sinton S和Rahmat-Samii将PSO用于PCHA(剖面波状喇叭天线)的优化设计，并与遗传算法的优化效果进行了比较，在此基础上又研究了二者混合应用的可行性。其中所完成的一系列实验证实PSO作为一种新型的优化算法具备解决复杂工程优化问题的能力。Ismail A，Engelbrecht AP利用PSO实现了对人工神经网络权值和网络模型结构的优化，并将研究结果应用于“自然语言组词”的分析方法设计。Eberhart R．C与Hu X采用经PSO优化的神经网络实现了对人类肢体颤抖现象的分析，并完成了对正常颤抖和帕金森氏症的诊断功能。在疾病和乳腺肿瘤是良性和恶性的判断、心脏病的诊断，PSO训练的神经网络也取得了较高的诊断成功率。El Gallad A I,EI Hawary，M E Sallam，Kalas同样采用PSO对神经网络进行了优化，并利用其设计了电力变压器的智能保护机制。Yoshida H，Kawata K，Fukuyama Y,Nakanishi利用PSO实现了对各种连续和离散控制变量的优化，从而达到了控制核电机组电流稳定输出电压的目的[7]。 PSO算法和其他进化算法类似，能用于求解大多数优化问题。比如多元函数的优化问题，包括带约束的优化问题。经过大量的实验研究发现，PSO算法在解决一些典型优化问题时，能够取得比遗传算法更好的优化结果。PSO还在动态问题和多目标优化问题中得到应用。 PSO算法也被成功地应用于电力系统领域。这里主要涉及到带约束条件的，使用不同版本的PSO算法相结合用来决定对连续和离散的控制变量和控制策略的问题。日本Fuji电力公司的研究人员将电力企业著名的RPVC(Reactive Power and Voltage Control)问题简化为函数最小值问题，并使用改进的PSO算法进行求解，与传统的方法如专家系统、敏感性分析相比，实验产生的结果证明了PSO算法在解决该问题时的优势。将PSO算法与BP神经网络算法相结合训练神经网络用于电动汽车燃料电池组实时充电情况的模拟和各种生物化学成分的优化组合进而生成人工合成微生物的过程。 除了以上领域外，PSO在自动目标检测，生物信号识别、决策调度、系统辨识以及游戏训练、分类、信号处理、机器人应用等方面也取得了一定的成果。目前在模糊控制器设计、车间作业调度、机器人实时路径规划、自动目标检测、语音识别、烧伤诊断、探测移动目标、时频分析和图象分割等方面已经有成功应用的先例。 (责任编辑：qin) |