论文部分内容阅读
最优化问题在人类社会的诸多领域普遍存在，随着科学研究和应用需求的不断发展，在工程实践和科学研究中涌现出很多复杂的最优化问题，同时最优化问题的规模也在不断扩大，传统的最优化方法在求解这类问题时往往具有较大的局限性，而随着计算技术的不断进步，求解复杂优化问题的各种智能优化方法应运而生。
粒子群优化(PSO)算法作为一种较新的智能优化方法，其思想主要来源于两方面，一是人工生命的研究，特别是对鸟群、鱼群等群体行为机制的研究：二是进化计算的思想，PSO算法与其它经典的进化算法一样，均为基于种群的方法，通过种群的不断进化寻找最优解。PSO算法的优势在于，其基本概念较为简单，采用实数值编码，没有复杂的数学操作，对计算机的硬件速度和存储要求并不高，易于在计算机中编程实现。PSO算法以其优势吸引了大批研究者对其开展了理论和应用方面的探索，目前PSO算法作为优化工具已被引入诸多工程领域。然而，PSO算法作为一种较新的算法，在应用于工程实践的过程中仍然有很多值得改进和提高之处，比如算法的执行性能、稳定性、并行机制、粒子群邻域拓扑等等，同时，PSO算法作为一种仿生进化算法，其工作机制和理论基础也有待深入的研究。本文结合一类新的PSO算法变体——动态概率粒子群优化(DPPSO)模型，对算法的参数设置、改进策略、多种群策略、粒子群邻域拓扑以及理论基础等多方面进行了深入细致的研究。论文的主要研究成果如下：
(1)结合新的种群产生方式，抽象出动态概率粒子群优化(DPPSO)模型，给出了该模型的形式化描述，分析了DPPSO模型的特点，并提出了DPPSO模型可以采用的动态概率进化算子，通过在标准测试函数上的实验验证了DPPSO模型及所提出的动态概率进化算子的有效性，同时根据实验结果给出了动态概率进化算子设计与选择的指导建议。
(2)对基于DPPSO模型的算法(DPPSO算法)进行了理论分析，第一，基于差分方程理论对DPPSO算法中粒子的轨迹进行了分析，讨论了粒子轨迹的稳定性；第二，基于种群适应度值标准差、种群位置标准差和种群熵等概念刻画了DPPSO算法中粒子群的种群多样性，分析了DPPSO算法运行时种群多样性的变化情况，进而对影响种群多样性的因素进行了讨论。
(3)对DPPSO算法的参数设置和种群设定进行了讨论，并提出了基于DPPSO算法的三种改进策略。具体地，第一，结合对DPPSO算法中粒子轨迹分析所得到的结论，给出了DPPSO算法中一些重要控制参数设置的参考建议；第二，讨论了初始种群的几种产生方式，并对种群规模的取值作了相应的分析；第三，结合DPPSO算法的特点，提出了三种可行的改进策略，分别是基于变异策略的改进、基于选择策略的改进和基于混合优化策略的改进，并分别通过实验验证了三种改进策略的有效性。
(4)提出了两种基于DPPSO算法的多种群策略，分别是异构多种群策略和基于群体重组的多种群策略，两种策略分别适用于不同的应用场合，实验结果验证了两种多种群策略的有效性。
(5)对粒子群的邻域拓扑结构进行了较为深入的研究，针对DPPSO算法的特点，引入了一种新的邻域拓扑结构——多簇结构，并基于多簇结构提出了可变拓扑策略用以协调勘探和开采，实验表明采用基于多簇结构的可变拓扑策略的DPPSO算法优势明显，同时还从理论上分析了最优信息在各种邻域拓扑结构中的传播，最后从图论角度分析了各种粒子群邻域拓扑的统计特性。
最后，对本文的工作进行了总结，提出了值得进一步研究的内容和方向。
本文的研究成果丰富了PSO算法研究领域的内容，理论方面的研究成果有助于深刻理解PSO算法的工作机制和理论基础，很多研究结论可以为PSO算法应用于工程实践提供有益的参考。