基于Matlab的微粒群优化算法的仿%报告.doc

2012届本科生毕业设计(论文)开题报告--------基于MATLAB微粒群优化算法研究专业电子信息工程专业方向信息工程班级08103351学号05学生姓名谢丽指导教师安静教研室电子信息工程电气与电子工程学院2011年2月14日一、开题依据如今,随着计算机科学与技术的迅速发展,人类生存空间的扩大以及与改造世界的范围的拓宽,人们对科学技术提出了新的更高的要求,其中高效的优化技术和智能计算要求日益迫切。优化是科学研究、工程技术和经济管理等领域的重要研究工具。它所研究的问题是讨论在众多的方案中寻找最优方案。例如,工程设计中怎样选择设计参数,使设计方案既满足设计要求又能降低成本;资源分配中,怎样分配有限资源,使分配方案既能满足各方面的基本要求,又能获得好的经济效益。在人类活动的各个领域中,诸如此类,不胜枚举。优化这一技术,正是为这些问题的解决,提供理论基础和求解方法,它是一门应用广泛、实用性很强的科学。为了解决各种各样的优化问题,人们提出了许多优化算法。粒子群优化算法(ParticleSwarmOptimization,PSO)由Eberhart博士和Kennedy博士提出新的算法,它是属于进化算法的一种,是一种源于对鸟群捕食行为的研究而发明的进化计算技术。这种优化算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。二、文献综述1、粒子群优化算法概述粒子群优化算法(ParticleSwarmOptimization,PSO)是由Kennedy和Eber—hart等于1995年提出的一种演化计算技术,其基本思想源于他们早期参照生物学家的群体模型,对鸟类群体行为的规律性研究。PS0中,每个优化问题的潜在解都是搜索空间中的一只鸟,称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值,每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。粒子群优化算法概念简明,参数设置少,很好地采用简单速度一位移模型,并能根据当前的搜索情况动态调整搜索策略,对解决复杂环境中的优化问题非常有效。由于认识到PSO在函数优化等领域所蕴含的广阔的应用前景,在Kennedy和Eberhart之后很多学者都进行了这方面的研究。目前,已提出了多种PSO改进算法,并且PSO已广泛应用于函数优化,神经网络训练,模式分类、模糊系统控制以及其他的应用领域。2、粒子群优化算法的应用(1)PSO最直接的应用或许就是多元函数的优化问题,包括带约束的优化问题。如果所讨论的函数受到严重的噪音干扰而呈现非常不规则的形状,同时所求的不一定是精确的最优值,则PSO算法能得到很好的应用。(2)另外,还有一种应用更广泛的方法:简单而有效地演化的人工神经网络,不仅用于演化网络的权重,而且包括网络的结构。作为一个演化神经网络的例子,PSO算法已应用于分析人的颤抖。对人颤抖的诊断,包括帕金森(Parkinson)病和原发性颤抖,是一个非常具有挑战性的领域。PSO已成功地应用于演化一个用来快速和准确地辨别普通个体和有颤抖个体的神经网络,而网络的输入则为从一个活动变化记录系统中获得的归一化的移动振幅。(3)另一个应用例子是使用PSO对一个电气设备的功率反馈和电压进行控制。这里,采用一种二进制与实数混合的PSO算法来决定对连续和离散的控制变量的控制策略,以得到稳定的电压。(4)此外,PSO还在动态问题中得到应用。一般而言,PSO与其他演化算法一样,能用于求解大多数优化问题。在这些领域中,最具潜力的有系统设计、多目标优化、分类、模式识别、信号处理、机器人技术应用、决策制定、模拟和证明等。例子包括模糊控制器设计、工作调度、实时机器人路径设计和图像分割等。3、粒子群优化算法的研究现状(1)通过在基本的PSO中引入繁殖和子种群的概念,增强其收敛性和寻求最优解的能力。在每轮迭代中随机选择一定的粒子作为父代,通过繁殖公式生成具有新的空间坐标和速度的子代粒子,并取代父代以保持种群规模。其实这是一种提高对解空间搜索能力和粒子多样性的数学交叉,可在一定程度上增强系统跳出局部极小的能力。(2)将PSO与模拟退火算法相结合的PSOSA算法,解决了微粒群算法性能分析过程中发现的初始参数依赖性问题和算法搜索能力问题。通过模拟退火算法赋予搜索过程一种时变且最终趋于零的概率突跳性,有效地降低了陷入局部极小的概率,从而获取更佳的近似最优解。而且,模拟退火算法的串行优化结构和微粒群算法的群体并行搜索相结合,拓展了微粒群在解空间中的搜索范围,提高了其优化性能,促进了种群群体多样性的发展。4、粒子群优化算法的发展方向(1)粒子群优化算法的改进。粒子群优化算法在解决空间函数的优化问题和单目标优化问题上应用得比较多,如何应用于离散空间优化问题和多目标优化问题将是粒