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(gè)人收集整理 勿做商業(yè)用途2012屆本科生畢業(yè)設(shè)計(jì)(論文）開(kāi)題報(bào)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(jí) 08103351 學(xué) 號(hào) 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(kāi)題依據(jù)如今，隨著計(jì)算機(jī)科學(xué)與技術(shù)的迅速發(fā)展，人類生存空間的擴(kuò)大以及與改造世界的范圍的拓寬，人們對(duì)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(jì)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(jì)管理等領(lǐng)域的重要研究工具.它所研究的

2、問(wèn)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(jì)中怎樣選擇設(shè)計(jì)參數(shù)，使設(shè)計(jì)方案既滿足設(shè)計(jì)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(jì)效益。在人類活動(dòng)的各個(gè)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(wèn)題的解決，提供理論基礎(chǔ)和求解方法，它是一門(mén)應(yīng)用廣泛、實(shí)用性很強(qiáng)的科學(xué)。為了解決各種各樣的優(yōu)化問(wèn)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(duì)鳥(niǎo)群捕食行為的研究而發(fā)明的進(jìn)化計(jì)

3、算技術(shù).這種優(yōu)化算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)引起了學(xué)術(shù)界的重視，并且在解決實(shí)際問(wèn)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(jì)算技術(shù),其基本思想源于他們?cè)缙趨⒄丈飳W(xué)家的群體模型，對(duì)鳥(niǎo)類群體行為的規(guī)律性研究。PS0中，每個(gè)優(yōu)化問(wèn)題的潛在解都是搜索空間中的一只鳥(niǎo)，稱之為“粒子”。所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值，每個(gè)粒子還有一個(gè)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(jiǎn)明，參數(shù)設(shè)置少，很好地采用簡(jiǎn)單速度一位移模型，并能根據(jù)當(dāng)前的搜索情況動(dòng)態(tài)調(diào)整搜索策略,對(duì)解決復(fù)雜環(huán)境中的優(yōu)化問(wèn)題非常有效。由于認(rèn)識(shí)到PSO在函數(shù)優(yōu)化等領(lǐng)域所蘊(yùn)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(wèn)題,包括帶約束的優(yōu)化問(wèn)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(shí)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(jiǎn)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(gè)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(duì)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(gè)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(gè)用來(lái)快速和準(zhǔn)確地辨別普通個(gè)體和有顫抖個(gè)體的神經(jīng)網(wǎng)絡(luò)，而網(wǎng)絡(luò)的輸入則為從一個(gè)活動(dòng)變化記錄系統(tǒng)中獲得的歸一化的移動(dòng)振幅。（3)另一個(gè)應(yīng)用例子是使用PSO 對(duì)一個(gè)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(shí)數(shù)混合的PSO 算法來(lái)決定對(duì)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(dòng)態(tài)問(wèn)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(wèn)題。在這些領(lǐng)域中, 最具潛力的有系統(tǒng)設(shè)計(jì)、多目標(biāo)優(yōu)化、分類、模式識(shí)別、信號(hào)處理、機(jī)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(jì)、工作調(diào)度、實(shí)時(shí)機(jī)器人路徑設(shè)計(jì)和圖像分割等。3、粒子群優(yōu)化算法的研究現(xiàn)狀（1）通過(guò)在基本的中引入繁殖和子種群的概念，增強(qiáng)其收斂性和尋求最優(yōu)解的能力.在每輪迭代中隨機(jī)選擇一定的粒子作為父代，通過(guò)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(shí)這是一種提高對(duì)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(qiáng)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(guò)程中發(fā)現(xiàn)的初始參數(shù)依賴性問(wèn)題和算法搜索能力問(wèn)題。通過(guò)模擬退火算法賦予搜索過(guò)程一種時(shí)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(wèn)題和單目標(biāo)優(yōu)化問(wèn)題上應(yīng)用得比較多，如何應(yīng)用于離散空間優(yōu)化問(wèn)題和多目標(biāo)優(yōu)化問(wèn)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(shì),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(shí)間不長(zhǎng)，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(wèn)題，對(duì)算法運(yùn)行行為、收斂性、計(jì)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(jì)，如何設(shè)計(jì)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(duì)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(wèn)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(diǎn)和粒子群優(yōu)化算法相結(jié)合，構(gòu)造出有特色有實(shí)用價(jià)值的混合算法是當(dāng)前算法改進(jìn)的一個(gè)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(kāi)拓粒子群優(yōu)化算法的應(yīng)用領(lǐng)域，也對(duì)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(jìng)天擇”思想的一種隨機(jī)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(duì)解空間進(jìn)行隨機(jī)搜索以試圖找到最優(yōu)解.遺傳算法最早由美國(guó)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(duì)

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(shí)”的向群體所發(fā)現(xiàn)的最好位置移動(dòng)，而遺傳算法僅僅靠隨機(jī)變異產(chǎn)生下一代個(gè)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(duì)該算法進(jìn)行了深入研究，研究的重點(diǎn)在對(duì)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(lái)的研究重點(diǎn)仍然會(huì)集中在對(duì)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(jì)我運(yùn)用的是利用MATLAB編程來(lái)實(shí)現(xiàn)粒子群算法。首先要對(duì)算法進(jìn)行設(shè)計(jì)，包括它的表示方案、參數(shù)設(shè)置等等，算法的設(shè)計(jì)步驟如下：（1）

11、確定問(wèn)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(wèn)題時(shí)，首先應(yīng)先將問(wèn)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(wèn)題的解。根據(jù)問(wèn)題的特征選擇適當(dāng)?shù)木幋a方法，將會(huì)對(duì)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(jì)算模型適用于具有連續(xù)特征的問(wèn)題函數(shù)，因此目前算法大多采用實(shí)數(shù)向量的編碼方案。用PSO算法求解具有離散特征的問(wèn)題對(duì)象，正是此領(lǐng)域內(nèi)的一個(gè)研究重點(diǎn).（2)確定優(yōu)化問(wèn)題的評(píng)價(jià)函數(shù)在求解過(guò)程中，借助于適應(yīng)值來(lái)評(píng)價(jià)解的質(zhì)量.因此在求解問(wèn)題時(shí)，必須根據(jù)問(wèn)題的具體特征，選取適當(dāng)?shù)哪繕?biāo)函數(shù)或費(fèi)用函數(shù)來(lái)計(jì)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(guò)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(huì)參數(shù)及其他一些輔助控制參數(shù)等等。針對(duì)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(jì)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(lái)描述的，故相應(yīng)的微粒的飛行速度也表示為一個(gè)多維向量。在飛行過(guò)程中，微粒借助于自身的記憶（Lbest)與社會(huì)共享信息（Gbest），沿著每一分量方向動(dòng)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(gè)最大的飛行代數(shù)，或者是當(dāng)搜索過(guò)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(shí)，終止算法.(6）編程上機(jī)運(yùn)行。根據(jù)所設(shè)計(jì)的算法結(jié)構(gòu)編程,并進(jìn)行具體優(yōu)化問(wèn)題的求解。通過(guò)所獲得問(wèn)題的解的質(zhì)量，可以驗(yàn)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(yùn)算的強(qiáng)大功能編寫(xiě)粒子群算法程序有很好的優(yōu)勢(shì)。MATLAB是MATrix LABoratory的縮寫(xiě)，是一款由美國(guó)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(kāi)發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計(jì)算的高級(jí)技術(shù)計(jì)算語(yǔ)言和交互式環(huán)境。除了矩陣運(yùn)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(lái)創(chuàng)建用戶界面及與調(diào)用其它語(yǔ)言(包括C，C+和FORTRAN)編寫(xiě)的程序.本文為互聯(lián)網(wǎng)收集,請(qǐng)勿用作商業(yè)用途文檔為個(gè)人收集整理,來(lái)源于網(wǎng)絡(luò)盡管MATLAB主要用于數(shù)值運(yùn)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(jì)與分析、圖像處理、信號(hào)處理與通訊、金融建模和分析等。另外還有一個(gè)配套軟件包Simulink，提供了一個(gè)可視化開(kāi)發(fā)環(huán)境,常用于系統(tǒng)模擬、動(dòng)態(tài)/嵌入式系統(tǒng)開(kāi)發(fā)等方面。四、畢業(yè)設(shè)計(jì)論文內(nèi)容1、微粒群算法的設(shè)計(jì)（1)依照初始化過(guò)程,對(duì)微粒群得隨機(jī)位置和速度進(jìn)行初始設(shè)定。（2）計(jì)算每個(gè)微粒的適應(yīng)值.（3）對(duì)于每個(gè)微粒，將其適

15、應(yīng)值與所經(jīng)歷過(guò)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(duì)每個(gè)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(duì)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(gè)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(jì)（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(jì)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(jì)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(jì)任務(wù)，熟悉收集相關(guān)各種資料，學(xué)習(xí)軟件開(kāi)發(fā)環(huán)境.2、2012年2月21日至3月4日，畢業(yè)實(shí)習(xí)。3、2012年3月5日至3月30日，運(yùn)用MATLAB 完成對(duì)粒子群算法及其改進(jìn)算法的設(shè)計(jì)與仿真并完成遺傳算法及其改進(jìn)算法的設(shè)計(jì)與仿真。利用標(biāo)準(zhǔn)函數(shù)來(lái)完成對(duì)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(shí)驗(yàn)驗(yàn)證。 5、2012年5月16日至5月28日完成畢業(yè)設(shè)計(jì)論文，整理設(shè)計(jì)文件和實(shí)驗(yàn)記錄。6、2012年5月29日至6月12 送評(píng)閱教師審查及修改，準(zhǔn)備及參加畢業(yè)設(shè)計(jì)答辯。 六、參考文獻(xiàn)1. 龔純 精通MATLAB最優(yōu)化計(jì)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(shí)發(fā)現(xiàn)中的應(yīng)用，中國(guó)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(shí)別與人工智能.2003，16(1)。-1-54。 林丹，李敏強(qiáng)等. 基于遺傳算法求解約束優(yōu)化問(wèn)題的一種算法. 軟件學(xué)報(bào)，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