基于Matlab的微粒群優(yōu)化算法的仿

1、基于Matlab的微粒群優(yōu)化算法的仿 作者： 日期：11 個人收集整理 勿做商業(yè)用途2012屆本科生畢業(yè)設(shè)計(論文）開題報告-基于MATLAB微粒群優(yōu)化算法研究 專 業(yè) 電子信息工程 專業(yè)方向 信息工程 班 級 08103351 學(xué) 號 0810331225 學(xué)生姓名 謝麗 指導(dǎo)教師 安靜 教研室 電子信息工程 電氣與電子工程學(xué)院2011年 2 月 14 日一、開題依據(jù)如今，隨著計算機科學(xué)與技術(shù)的迅速發(fā)展，人類生存空間的擴大以及與改造世界的范圍的拓寬，人們對科學(xué)技術(shù)提出了新的更高的要求，其中高效的優(yōu)化技術(shù)和智能計算要求日益迫切。優(yōu)化是科學(xué)研究、工程技術(shù)和經(jīng)濟管理等領(lǐng)域的重要研究工具.它所研究的

2、問題是討論在眾多的方案中尋找最優(yōu)方案。例如,工程設(shè)計中怎樣選擇設(shè)計參數(shù)，使設(shè)計方案既滿足設(shè)計要求又能降低成本；資源分配中，怎樣分配有限資源,使分配方案既能滿足各方面的基本要求，又能獲得好的經(jīng)濟效益。在人類活動的各個領(lǐng)域中，諸如此類,不勝枚舉。優(yōu)化這一技術(shù)，正是為這些問題的解決，提供理論基礎(chǔ)和求解方法，它是一門應(yīng)用廣泛、實用性很強的科學(xué)。為了解決各種各樣的優(yōu)化問題，人們提出了許多優(yōu)化算法。粒子群優(yōu)化算法（Particle Swarm Optimization ，PSO）由Eberhart 博士和Kennedy 博士提出新的算法,它是屬于進(jìn)化算法的一種，是一種源于對鳥群捕食行為的研究而發(fā)明的進(jìn)化計

3、算技術(shù).這種優(yōu)化算法以其實現(xiàn)容易、精度高、收斂快等優(yōu)點引起了學(xué)術(shù)界的重視，并且在解決實際問題中展示了其優(yōu)越性。二、文獻(xiàn)綜述1、粒子群優(yōu)化算法概述粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)是由Kennedy和Eber-hart等于1995年提出的一種演化計算技術(shù),其基本思想源于他們早期參照生物學(xué)家的群體模型，對鳥類群體行為的規(guī)律性研究。PS0中，每個優(yōu)化問題的潛在解都是搜索空間中的一只鳥，稱之為“粒子”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)值，每個粒子還有一個速度決定它們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索.粒子群優(yōu)化算法概念

4、簡明，參數(shù)設(shè)置少，很好地采用簡單速度一位移模型，并能根據(jù)當(dāng)前的搜索情況動態(tài)調(diào)整搜索策略,對解決復(fù)雜環(huán)境中的優(yōu)化問題非常有效。由于認(rèn)識到PSO在函數(shù)優(yōu)化等領(lǐng)域所蘊含的廣闊的應(yīng)用前景，在Kennedy和Eberhart之后很多學(xué)者都進(jìn)行了這方面的研究。目前,已提出了多種PSO改進(jìn)算法，并且PSO已廣泛應(yīng)用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡(luò)訓(xùn)練，模式分類、模糊系統(tǒng)控制以及其他的應(yīng)用領(lǐng)域。2、粒子群優(yōu)化算法的應(yīng)用（1）PSO 最直接的應(yīng)用或許就是多元函數(shù)的優(yōu)化問題,包括帶約束的優(yōu)化問題。如果所討論的函數(shù)受到嚴(yán)重的噪音干擾而呈現(xiàn)非常不規(guī)則的形狀，同時所求的不一定是精確的最優(yōu)值，則PSO 算法能得到很好的應(yīng)用。（2）另

5、外， 還有一種應(yīng)用更廣泛的方法:簡單而有效地演化的人工神經(jīng)網(wǎng)絡(luò)， 不僅用于演化網(wǎng)絡(luò)的權(quán)重,而且包括網(wǎng)絡(luò)的結(jié)構(gòu)。作為一個演化神經(jīng)網(wǎng)絡(luò)的例子,PSO 算法已應(yīng)用于分析人的顫抖。對人顫抖的診斷，包括帕金森（Pa rk in son) 病和原發(fā)性顫抖，是一個非常具有挑戰(zhàn)性的領(lǐng)域。PSO 已成功地應(yīng)用于演化一個用來快速和準(zhǔn)確地辨別普通個體和有顫抖個體的神經(jīng)網(wǎng)絡(luò)，而網(wǎng)絡(luò)的輸入則為從一個活動變化記錄系統(tǒng)中獲得的歸一化的移動振幅。（3)另一個應(yīng)用例子是使用PSO 對一個電氣設(shè)備的功率反饋和電壓進(jìn)行控制。這里，采用一種二進(jìn)制與實數(shù)混合的PSO 算法來決定對連續(xù)和離散的控制變量的控制策略，以得到穩(wěn)定的電壓.(4）

6、此外，PSO 還在動態(tài)問題中得到應(yīng)用。一般而言, PSO 與其他演化算法一樣，能用于求解大多數(shù)優(yōu)化問題。在這些領(lǐng)域中, 最具潛力的有系統(tǒng)設(shè)計、多目標(biāo)優(yōu)化、分類、模式識別、信號處理、機器人技術(shù)應(yīng)用、決策制定、模擬和證明等。例子包括模糊控制器設(shè)計、工作調(diào)度、實時機器人路徑設(shè)計和圖像分割等。3、粒子群優(yōu)化算法的研究現(xiàn)狀（1）通過在基本的中引入繁殖和子種群的概念，增強其收斂性和尋求最優(yōu)解的能力.在每輪迭代中隨機選擇一定的粒子作為父代，通過繁殖公式生成具有新的空間坐標(biāo)和速度的子代粒子，并取代父代以保持種群規(guī)模。其實這是一種提高對解空間搜索能力和粒子多樣性的數(shù)學(xué)交叉,可在一定程度上增強系統(tǒng)跳出局部極小的能

7、力.(2）將與模擬退火算法相結(jié)合的算法，解決了微粒群算法性能分析過程中發(fā)現(xiàn)的初始參數(shù)依賴性問題和算法搜索能力問題。通過模擬退火算法賦予搜索過程一種時變且最終趨于零的概率突跳性，有效地降低了陷入局部極小的概率,從而獲取更佳的近似最優(yōu)解。而且，模擬退火算法的串行優(yōu)化結(jié)構(gòu)和微粒群算法的群體并行搜索相結(jié)合，拓展了微粒群在解空間中的搜索范圍，提高了其優(yōu)化性能,促進(jìn)了種群群體多樣性的發(fā)展.4、粒子群優(yōu)化算法的發(fā)展方向 (1）粒子群優(yōu)化算法的改進(jìn)。粒子群優(yōu)化算法在解決空間函數(shù)的優(yōu)化問題和單目標(biāo)優(yōu)化問題上應(yīng)用得比較多，如何應(yīng)用于離散空間優(yōu)化問題和多目標(biāo)優(yōu)化問題將是粒子群優(yōu)化算法的主要研究方向。如何充分結(jié)合其他

8、進(jìn)化類算法，發(fā)揮優(yōu)勢,改進(jìn)粒子群優(yōu)化算法的不足也是值得研究的。（2）粒子群優(yōu)化算法的理論分析。粒子群優(yōu)化算法提出的時間不長，數(shù)學(xué)分析很不成熟和系統(tǒng)，存在許多不完善和未涉及的問題，對算法運行行為、收斂性、計算復(fù)雜性的分析比較少.如何知道參數(shù)的選擇和設(shè)計，如何設(shè)計適應(yīng)值函數(shù)，如何提高算法在解空間搜索的效率算法收斂以及對算法模型本身的研究都需要在理論上進(jìn)行更深入的研究。這些都是粒子群優(yōu)化算法的研究方向之一。(3）粒子群算法的生物學(xué)基礎(chǔ)。如何根據(jù)群體進(jìn)行行為完善算法，將群體智能引入算法中，借鑒生物群體進(jìn)化規(guī)則和進(jìn)化的智能性也是學(xué)者關(guān)注的問題.（4）粒子群優(yōu)化算法與其他進(jìn)化類算法的比較研究.與其他進(jìn)化算

9、法的融合,如何讓將其他進(jìn)化算法的優(yōu)點和粒子群優(yōu)化算法相結(jié)合，構(gòu)造出有特色有實用價值的混合算法是當(dāng)前算法改進(jìn)的一個重要方向.（5）粒子群優(yōu)化算法的應(yīng)用.算法的有效性必須在應(yīng)用中才能體現(xiàn),廣泛的開拓粒子群優(yōu)化算法的應(yīng)用領(lǐng)域，也對深入研究粒子群優(yōu)化算法非常的有意義.5、粒子群優(yōu)化算法與遺傳算法比較遺傳算法GA（Genetic Algorithm，GA)是模擬達(dá)爾文提出的“物競天擇”思想的一種隨機搜索算法，它的主要思想是遵循遺傳變異和優(yōu)勝劣汰的規(guī)則，對解空間進(jìn)行隨機搜索以試圖找到最優(yōu)解.遺傳算法最早由美國密歇根大學(xué)的Holland J在1975年提出，在函數(shù)優(yōu)化、組合優(yōu)化等領(lǐng)域有著廣泛應(yīng)用，有學(xué)者也對

10、該算法進(jìn)行了深入研究口。與遺傳算法相比較，粒子群優(yōu)化算法的各粒子“有意識”的向群體所發(fā)現(xiàn)的最好位置移動，而遺傳算法僅僅靠隨機變異產(chǎn)生下一代個體,所以粒子群優(yōu)化算法在性能上優(yōu)于遺傳算法。由于粒子群優(yōu)化算法的性能較高，所以眾多學(xué)者對該算法進(jìn)行了深入研究，研究的重點在對標(biāo)準(zhǔn)粒子群優(yōu)化算法的改進(jìn)上,如將模擬退火算法或遺傳算法和粒子群優(yōu)化算法相結(jié)合，以及提高粒子群優(yōu)化算法的突破局部極值的能力。搜索算法未來的研究重點仍然會集中在對粒子群優(yōu)化算法的改進(jìn)方面。三、方案論證本次畢業(yè)設(shè)計我運用的是利用MATLAB編程來實現(xiàn)粒子群算法。首先要對算法進(jìn)行設(shè)計，包括它的表示方案、參數(shù)設(shè)置等等，算法的設(shè)計步驟如下：（1）

11、確定問題的表示方案（編碼方案） 和其它的進(jìn)化算法一樣，PSO算法在求解問題時，首先應(yīng)先將問題的解從解空間映射到具有某種結(jié)構(gòu)的表示空間，即用特定的碼串表示問題的解。根據(jù)問題的特征選擇適當(dāng)?shù)木幋a方法，將會對算法的性能及求解結(jié)果產(chǎn)生直接的影響。PSO算法的早期研究均集中在數(shù)值優(yōu)化領(lǐng)域中，其標(biāo)準(zhǔn)計算模型適用于具有連續(xù)特征的問題函數(shù)，因此目前算法大多采用實數(shù)向量的編碼方案。用PSO算法求解具有離散特征的問題對象，正是此領(lǐng)域內(nèi)的一個研究重點.（2)確定優(yōu)化問題的評價函數(shù)在求解過程中，借助于適應(yīng)值來評價解的質(zhì)量.因此在求解問題時，必須根據(jù)問題的具體特征，選取適當(dāng)?shù)哪繕?biāo)函數(shù)或費用函數(shù)來計算適應(yīng)度。適應(yīng)度是唯一

12、能夠反映并引導(dǎo)優(yōu)化過程不斷進(jìn)行的參量。（3）選取控制參數(shù)PSO算法的控制參數(shù)，通常包括微粒群的規(guī)模（微粒的數(shù)目)、算法執(zhí)行的最大代數(shù)、慣性系數(shù)、認(rèn)知參數(shù)、社會參數(shù)及其他一些輔助控制參數(shù)等等。針對不同的算法模型，選取適當(dāng)?shù)目刂茀?shù),直接影響算法的優(yōu)化性能。(4）設(shè)計微粒的飛行模型。在微粒群算法中，最關(guān)鍵的操作是如何確定微粒的速度。由于微粒是由多維向量來描述的，故相應(yīng)的微粒的飛行速度也表示為一個多維向量。在飛行過程中，微粒借助于自身的記憶（Lbest)與社會共享信息（Gbest），沿著每一分量方向動態(tài)地調(diào)整自己的飛行速度與方向。（5）確定算法的終止準(zhǔn)則與其它進(jìn)化算法一樣，PSO算法中最常用的終止準(zhǔn)

13、則是預(yù)先設(shè)定一個最大的飛行代數(shù)，或者是當(dāng)搜索過程中解的適應(yīng)度在連續(xù)多少代后不再發(fā)生明顯改進(jìn)時，終止算法.(6）編程上機運行。根據(jù)所設(shè)計的算法結(jié)構(gòu)編程,并進(jìn)行具體優(yōu)化問題的求解。通過所獲得問題的解的質(zhì)量，可以驗證算法的有效性,準(zhǔn)確與可靠性。在編程仿真的軟件上，選用的則是MATLAB。利用MATLAB矩陣運算的強大功能編寫粒子群算法程序有很好的優(yōu)勢。MATLAB是MATrix LABoratory的縮寫，是一款由美國The MathWorks公司出品的商業(yè)數(shù)學(xué)軟件.MATLAB是一種用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計算的高級技術(shù)計算語言和交互式環(huán)境。除了矩陣運算、繪制函數(shù)/數(shù)據(jù)圖像等常用

14、功能外,MATLAB還可以用來創(chuàng)建用戶界面及與調(diào)用其它語言(包括C，C+和FORTRAN)編寫的程序.本文為互聯(lián)網(wǎng)收集,請勿用作商業(yè)用途文檔為個人收集整理,來源于網(wǎng)絡(luò)盡管MATLAB主要用于數(shù)值運算，但利用為數(shù)眾多的附加工具箱（Toolbox）它也適合不同領(lǐng)域的應(yīng)用,例如控制系統(tǒng)設(shè)計與分析、圖像處理、信號處理與通訊、金融建模和分析等。另外還有一個配套軟件包Simulink，提供了一個可視化開發(fā)環(huán)境,常用于系統(tǒng)模擬、動態(tài)/嵌入式系統(tǒng)開發(fā)等方面。四、畢業(yè)設(shè)計論文內(nèi)容1、微粒群算法的設(shè)計（1)依照初始化過程,對微粒群得隨機位置和速度進(jìn)行初始設(shè)定。（2）計算每個微粒的適應(yīng)值.（3）對于每個微粒，將其適

15、應(yīng)值與所經(jīng)歷過的最好位置的適應(yīng)值進(jìn)行比較，若較好，則將其作為當(dāng)前的最好位置。（4)對每個微粒，將其適應(yīng)值與全局所經(jīng)歷的最好位置的適應(yīng)值進(jìn)行比較，若較好，則將其作為當(dāng)前的全局最好位置。（5）根據(jù)方程對微粒的速度和位置進(jìn)行進(jìn)化。（6）如未達(dá)到結(jié)束條件通常為足夠好的適應(yīng)值或達(dá)到一個預(yù)設(shè)最大代數(shù)，則返回步驟(2)。粒子群算法流程圖2、基于MATLAB的微粒群算法程序設(shè)計（1）參數(shù)編碼（2)粒子群初始化（3）粒子速度和位置的更新（4）主程序程序設(shè)計流程圖3、微粒群算法性能仿真4、微粒群算法的改進(jìn)算法的設(shè)計及仿真5、微粒群算法及其改進(jìn)算法的性能比較五、進(jìn)度安排1、2012年1月17日至1月21日 明確畢業(yè)

16、設(shè)計任務(wù)，熟悉收集相關(guān)各種資料，學(xué)習(xí)軟件開發(fā)環(huán)境.2、2012年2月21日至3月4日，畢業(yè)實習(xí)。3、2012年3月5日至3月30日，運用MATLAB 完成對粒子群算法及其改進(jìn)算法的設(shè)計與仿真并完成遺傳算法及其改進(jìn)算法的設(shè)計與仿真。利用標(biāo)準(zhǔn)函數(shù)來完成對以上算法性能的比較。 4、2012年4月26日至5月15日 ，進(jìn)行實驗驗證。 5、2012年5月16日至5月28日完成畢業(yè)設(shè)計論文，整理設(shè)計文件和實驗記錄。6、2012年5月29日至6月12 送評閱教師審查及修改，準(zhǔn)備及參加畢業(yè)設(shè)計答辯。 六、參考文獻(xiàn)1. 龔純 精通MATLAB最優(yōu)化計算 電子工業(yè)出版社2009.42. 吳斌，群體智能的研究及其在

17、知識發(fā)現(xiàn)中的應(yīng)用，中國科學(xué)院研究生院博士學(xué)位論文，20023. 松散的腦袋群體智能的數(shù)學(xué)模型,模式識別與人工智能.2003，16(1)。-1-54。 林丹，李敏強等. 基于遺傳算法求解約束優(yōu)化問題的一種算法. 軟件學(xué)報，2001，12（4）：6286325。 Reynolds C。 W. “Flocks， Herds, and Schools： A Distributed Behavioral Model"。 Computer Graphics, Vol。21， No.4， 1987, pp。25-346. J。 Kennedy, R。 Eberhart。 Particle Swarm Optimization A。 Proc. IEEE Int. Conf. on Neural Networks C, 1995: 194219487. Shi Y, Eberhart R. A modified particle swarm