毕业论文
题目粒子群算法及其参数设置专业信息与计算科学
班级计算061
学号3060811007
学生xx
指导教师徐小平
2010年
I
粒子群优化算法及其参数设置
专业：信息与计算科学
学生： xx
指导教师：徐小平
摘要
粒子群优化是一种新兴的基于群体智能的启发式全局搜索算法，粒子群优化算法通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。
它具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已经成为发展最快的智能优化算法之一。
论文介绍了粒子群优化算法的基本原理，分析了其特点。
论文中围绕粒子群优化算法的原理、特点、参数设置与应用等方面进行全面综述，重点利用单因子方差分析方法，分析了粒群优化算法中的惯性权值，加速因子的设置对算法基本性能的影响，给出算法中的经验参数设置。
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：粒子群优化算法；参数；方差分析；最优解
II
Particle swarm optimization algorithm and its
parameter set
Speciality: Information and Computing Science
Student: Ren Kan
Advisor: Xu Xiaoping
Abstract
Particle swarm optimization is an emerging global based on swarm intelligence heuristic search algorithm, particle swarm optimization algorithm competition and collaboration between particles to achieve in complex search space to find the global optimum. It has easy to understand, easy to achieve, the characteristics of strong global search ability, and has never wide field of science and engineering concern, has become the fastest growing one of the intelligent optimization algorithms. This paper introduces the particle swarm optimization basic principles, and analyzes its features. Paper around the particle swarm optimization principles, characteristics, parameters settings and applications to conduct a thorough review, focusing on a single factor analysis of variance, analysis of the particle swarm optimization algorithm in the inertia weight, acceleration factor setting the basic properties of the algorithm the impact of the experience of the algorithm given parameter setting. Finally, its future researched and prospects are proposed.
Key word：Particle swarm optimization; Parameter; Variance analysis; Optimal solution
III
目录
摘要 (II)
Abstract ............................................................................................................................. I II 1.引言. (1)
1.1 研究背景和课题意义 (1)
1.2 参数的影响 (1)
1.3 应用领域 (2)
1.4 电子资源 (2)
1.5 主要工作 (2)
2.基本粒子群算法 (3)
2.1 粒子群算法思想的起源 (3)
2.2 算法原理 (4)
2.3 基本粒子群算法流程 (5)
2.4 特点 (6)
2.5 带惯性权重的粒子群算法 (7)
2.7 粒子群算法的研究现状 (8)
3.粒子群优化算法的改进策略 (9)
3.1 粒子群初始化 (9)
3.2 邻域拓扑 (9)
3.3 混合策略 (12)
4.参数设置 (14)
4.1 对参数的仿真研究 (14)
4.2 测试仿真函数 (15)
4.3 应用单因子方差分析参数对结果影响 (33)
4.4 对参数的理论分析 (34)
5结论与展望 (39)
致谢 (43)
附录 (44)
IV
1 1.引言
1.1 研究背景和课题意义
“人工生命”是来研究具有某些生命基本特征的人工系统。
人工生命包括两方面的内容：
1、研究如何利用计算技术研究生物现象。
2、研究如何利用生物技术研究计算问题。
现在已经有很多源于生物现象的计算技巧。
例如，人工神经网络是简化的大脑模型。
遗传算法是模拟基因进化过程的。
现在我们讨论另一种生物系统- 社会系统。
也可称做“群智能”(swarm intelligence)。
这些模拟系统利用局部信息从而可能产生不可预测的群体行为。
粒子群优化算法(PSO) 也是起源对简单社会系统的模拟。
最初设想是模拟鸟群觅食的过程。
但后来发现PSO 是一种很好的优化工具。
优化是科学研究、工程技术和经济管理等领域的重要研究课题。
粒子群优化算法[1] (简称PSO)是由Kennedy 和Eberhart 通过对鸟群、鱼群和人类社会某些行为的观察研究，于1995年提出的一种新颖的进化算法。
虽然PSO 算法发展迅速并取得了可观的研究成果,但其理论基础仍相对薄弱，尤其是算法基本模型中的参数设置和优化问题还缺乏成熟的理论论证和研究。
鉴于PSO 的发展历史尚短，它在理论基础与应用推广上都还存在一些缺陷，有待解决。
本文通过对PSO 算法的步骤的归纳、特点的分析，利用统计中的方差分析，通过抽样实验方法，论证了该算法中关键参数因子:惯性权值、加速因子对算法整体性能的影响效果，并提出了参数设置的指导原则，给出了关键参数设置，为PSO 算法的推广与改进提供了思路。
1.2 参数的影响
标准粒子群算法中主要的参数变量为w （惯性权值），1c ，2c （加速因子），m ax v ，本文重点对参数w ，1c ，2c 做数据统计实验。
包括w 不变的情况下通过1c ，2c 变化找出加速因子对算法的影响。
还有保持1c ，2c 不变对w 分别取不同值分析其对算法结果影响。