毕业设计我帮你

粒子群算法应用
摘要：粒子群算法是一种群体智能优化算法是由甘乃迪和埃伯哈特提出的。粒子群算法是一种群体智能的优化算法，除蚁群算法、鱼群算法也是质能优化算法的一种与粒子群算法并列。论文围绕俩个案例（案例1：粒子群算法的寻优算法；案例2：基于混合粒子群算法的TSP搜索算法）介绍了群粒子算法优化的原理、特点、参数设置与应用方面进行了全面的描述。最后对其未来的研究提出了一些建议及研究方向的展望。
关键词：寻优算法；TSP搜索；参数；最优。
Particle swarm optimization algorithm
Abstract:Particle swarm algorithm is a swarm intelligence optimization algorithm is proposed by Kennedy and Eberhart. Particle swarm algorithm is a swarm intelligence optimization algorithm,ant colony algorithm, in addition to a kind of artificial fish swarm algorithm and energyoptimization algorithm and particle swarm algorithm in parallel. The two cases (case 1:optimization algorithm; particle swarm algorithm for case 2: mixed particle swarm optimization algorithm based on TSP search algorithm) is introduced and application of group theory, the particle optimization algorithm, the parameters of the characteristics described comprehensively. Finally, some suggestions and prospect the research direction of the future research is put forward.
Keywords: Optimization algorithm; TSP search; parameter; optimization.

目    录

 

一、绪论 1

（一）理论基础 1

（二）开发工具 1

二、群粒子算法概述 1

（一）算法简介 2

（二）优缺点 2

三、群粒子算法应用1 2

 （一）解决思路及步骤 2

 （二）算法流程 3

 （三）结果分析 5

四、群粒子算法应用2 7

 （一）问题描述 7

 （二）算法流程 7

 （三）结果分析 10

五、结论与展望 13

六、参考文献 14

 

一、绪论 

（一）理论基础

 PSO算法首先初始化一群粒子在可行解空间中，每个粒子代表一个潜在优化问题的最优解，粒子具有三项特征：位置、速度、适应度值。计算的适应度函数值来表示粒子的质量.

标准粒子群算法通过个体极值和极值优化完成所有的极端，虽然操作简单，能快速收敛，但随着迭代次数的增加，同时颗粒浓度的收敛，同时更在局部最优解不能跳跃更多类似的。传统的粒子群优化方法被一种混合粒子群优化算法所取代，通过跟踪极端更新粒子的位置，从而引入遗传算法的交叉和变异的粒子，与个体极值和极值种群的交织和变异的粒子本身的搜索最优解的方法。

（二）开发工具

1、Matlab2012 

 MATLAB的应用十分广泛。从我们平常所应用的电脑到功能极高的计算机等等长基本的到高档的多有应用。MATLAB包括通过指挥控制来实现编程，有很多个由此开发工具原先定义的命令语句和功能操作。这些功能都可以通过一个用户定义的功能进一步扩展。是解决以下问题非常有效：（1）、数学，尤其是线性代数。（2）、在科学教学和研究计算的数值分析。并比较了各种算法的研究。（3）、在学习以及探讨中，如电子，控制理论操作以及物理，工程和科学学科等等。

二、群粒子算法概述

   （一）算法简介

粒子群算法,（也被称为粒子群优化算法，简称PSO）, 是近年来发展起来的一种群体智能的优化算法。PSO算法和遗传算法相类似，它也是从随机解出发，与遗传算法规则相比较不同的是粒子群算法要简单得多，它没有遗传算法的交叉和变异（突变）的操作。其中通过以下事例来寻找最优值的全局优化算法。在一个随机的搜索食物的鸟群。假设食物在某一范围之内，鸟儿门都不知道食物具体在哪一片区域，但是他们知道他们自己目前所处的位置，并且鸟儿们知道他们所在位置离食物有多远。由此我们肯定在想鸟儿们如何以最快的速度寻找到食物。最简单的办法就是寻找离食物所在区域最近鸟的区域。通过其表现了该算法的优越性。

（二）、优缺点

优点：（1）、使用简单的算法，可以实现快速的价格，在现实生活中，最广泛使用的

             工程；            

   （2）、具有很快的收敛速度，可以通过一些措施使其全面发展，避免局部陷入

             最优；

   （3）、调节参数少，和参数选择具有成熟的理论研究；

缺点：（1）、用于离散优化问题的治疗效果差，易陷入局部最优；

结论与展望

粒子群优化算法（PSO）是一种通过对全局搜索的方法。由之前的简介我们可以知道他的基础是建立在群体智能算法上，他很容易被大多数人实现以及被大大多数人所理解，对全局搜索比较全面，并给在各个领域的研究者提供了一个有效的全局优化技术，让人们能够运用到生活当中，做到让人人受益。在本文中，本人对PSO算法的原理，以及原来的提出做出了全面的解释，并且通过两个案例对其进行了诠释。通过本文中的两个案例发下粒子群算法就在我们身边。在科学和工程实践，对PSO的读者的共同利益是算法本身，即“什么是粒子群”和“什么样的改进”，利用专业知识如何解决一个特定问题依赖于粒子群优化算法所对应的域；其为了使尽可能多的国内读者的利益不限制在一个特定的行业背景。

除了以上我所讲述的领域，PSO算法也在电力系统等方面取得了很大的成就，集成电路设计，多目标优化，自动目标检测，生物信号识别，智能决策调度，模糊系统识别，计算机视觉，计算机辅助设计和游戏训练。在材料学中此算法将收到跟多人的关注。

粒子群优化算法其研究才刚刚开始，在形成系统的分析方法和数学基础以及遗传算法和模拟退火算法的道路上还要我们去研究探讨，这得靠我们去努力相信在此基础上不久的将来必定会有新的发现。

   （1）算法分析和应用。粒子群算法在通过我们平时生活实践的审核证明是有效的，

        但没有证明其在数学领域的的收敛，所以我们做的工作依然还是不够的。

（2）应用范围。在神经网络粒子群优化算法可以得上最成功的算法，但是其他地方依然还处在研究水平，所以其范围及其狭窄。

（3）和参数的优化选择。PSO算法的参数取决于具体的问题的选择。合适的设计参数对应具体的问题，经过多次试验。研究如何选择和具体问题所对应的参数，使它不会对具体问题上产生依赖，将大大促进和PSO算法的开发与应用。

（4）与其他进化计算的集成。PSO算法是一种优秀的算法，但是自身也有其局限性。那么如何将其他优秀的算法和PSO算法相结合，构成算法最大优秀化，相信会达到意想不到的效果，所以在这个道理上仍需要继续研究和探讨。

总之，本文提出了粒子群优化算法的基本原理，使初学者很容易掌握以及运行程序，能够把算法和实际问题相结合达到意想不到的结果；这样不仅可以使初学者得到进步的机会，也让读者对此算法产生浓厚的兴趣；为群粒子优化算法的进一步研究更进一步。

 

 

 

参考文献

[1]  王伟.混合粒子群算法及其他优化效率评价[J].中国水运，2007,7（6）：100-101.

[2]  屈稳太，丁伟.一种改进的蚁群算法及其在TSP中的应用[J].系统工程与实践，2006,5.

[3]  蔡光跃，董恩清.遗传算法和蚁群算法在求解TSP问题上的对比分析[J].计算机工程与应用，2007.

[4]  KENNEDYJ,EBERHART R.Particle Swarm Optimization[EB/OL].[2010-11]. 

[5]  梁军，程灿.改进的粒子群算法[J].计算机工程与设计，2008,29（11）.

[6]  杜玉平.关于粒子群算法的改进的研究[D].西安：西北大学，2008.