小生境粒子群算法的比较研究
1针对基本的粒子群算法在早熟收敛和不能找到多模态问题的多个最优解的缺点，将小生境技术引入到粒子群算法中，得到小生境粒子群算法；针对小生境识别技术中需要根据先验知识设置阈值的缺点，陆青等提出了动态边界识别的小生境识别技术。本文以小生境粒子群算法和基于动态边界识别的小生境粒子群算法为重点，首先对其原理和使用的主要技术进行介绍，其次得到这两种算法的实验结果，最后验证小生境在多模态函数寻找多个最优解的效果，并对这两种算法寻找最优解的性能进行比较分析。
目 录
Abstract1
Key words1
引言1
1 概述1
1.1 研究内容 1
1.2 研究目的 2
1.3 国内外研究进展 2
1.4 本文组织 2
2 基础知识 2
2.1 小生境粒子群算法 2
2.1.1 基本的粒子群算法 2
2.1.2 小生境技术 3
2.1.3 小生境粒子群算法 3
2.2 小生境识别技术 4
2.2.1 小生境识别技术 4
2.2.2 边界动态识别技术 4
3 实验结果一5
3.1 测试函数与运行参数 6
3.2 实验结果与分析 6
4 实验结果二8
4.1 测试函数与运行参数 9
4.2 实验结果与分析 9
5 比较与分析10
6 总结10
致谢11
参考文献11
基于小生境粒子群算法的比较研究
计算机科学与技术专业学生 何婧
指导教师 刘晓忠
A Comparative Study Based on The Niche Particle Swarm Algorithm（3号Times New Romar）
Student majoring in Computer Science and Technology He Jing
Tutor Liu Xiaozhong
Abstract： In *好棒文|www.hbsrm.com +Q: ￥351916072￥
view of the shortcomings of the basic particle swarm algorithm in the premature convergence and that cant locate multiple, optimal solutions of a multimodal problem, the niche technology is introduced into the particle swarm algorithm, and we get a niche particle swarm algorithm.For the niche technology is needed in setting the threshold value according to the prior knowledge of the shortcomings, a niche technology based on a dynamic boundary identification technology was put forward by Lu Qing.Based on the niche particle swarm optimization algorithm and the niche particle swarm algorithm based on dynamic boundary identification as the key points, first of all, their principles and the main technologies were used are introduced, secondly the experimental results of these two kinds of algorithm are appearred, the final validation niche in multimodal function to find the effect of multiple optimal solutions, and to find the optimal solution of the two kinds of algorithm performance comparison analysis.
Key words: NichePSO;NIT;dynamic boundary identification ;compare
基本的粒子群算法能够很好地找到全局最优解，但是容易陷入到局部极值点甚至是非最优位置点，发生早熟收敛现象，因此需要对粒子群的多样性进行维护；粒子群算法最终寻找到的最优解只有一个，对于多模态函数在寻找全局最优解的基础上还要找到多个局部最优解的需求，该算法也不能很好地解决。起源于遗传算法的小生境技术，不仅可以维持种群相对稳定的多样性，还可以找到多个最优解，具有很高的研究价值，成为近年来进化算法领域的研究的热点。在小生境技术基础上改进的小生境识别技术，通过使用自适应调整小生境半径策略，能够提高算法在进化过程中对于种群划分的准确率。
1 概述
1．1 研究内容
本课题的研究内容主要是在基本的粒子群算法的基础上为解决粒子群算法的维护粒子群多样性和寻找多个最优解的问题而引入了小生境技术的小生境粒子群算法、将遗传算法中在用于识别小生境的小生境识别技术之上改进的动态识别小生境技术移植到小生境粒子群算法中得到的新的优化算法这两种算法的原理，其中包括有基本的粒子群算法（主要要素及其优缺点等）、小生境技术（原理及应用分类等）、小生境粒子群算法（Faure序列，单认知模型，找中心粒子，确定半径，GCPSO算法，更新pbest、gbest、适应度值与半径，合并小生境，吸收小生境等）、小生境识别技术（找中心粒子，计算粒子间的欧氏距离并排序，找边界粒子等）、动态小生境识别技术（找中心粒子，计算粒子间的欧氏距离并排序，找边界粒子等）。还有对小生境粒子群算法和基于动态边界识别的小生境粒子群算法分别进行算法仿真和在寻找最优解的能力上进行测试并验证其性能，并对两者进行比较。
1．2 研究目的
本课题的研究目的是首先对两种算法用于多模态函数寻找多个最优解的效果进行验证，研究探讨小生境粒子群算法对多模态问题是否确实能够找到其多个最优解、将遗传算法中的自适应调整小生境半径策略的动态边界识别技术加入到小生境粒子群算法中，验证改进的算法是否也能找到多个最优解。其次将这两种算法在寻找最优解上的性能（如找到的最优解的个数、花费时间等）进行对比分析。
1．3 国内外研究进展
小生境在生物信息学、作业调度、工程优化、多分类器集成等各个领域都已经取得了普遍的应用[1]。近年来，随着越来越多的研究者对粒子群算法的注重，将小生境技术拓展至粒子群范畴的研究也越来越多，特别是在小生境识别技术的改善上，取得了大量的进展。在2002年R.Brits等第一次提出了用于在多模态问题中发现多个最优解的小生境粒子群算法（NichePSO）之后，同年，ChyiYeu Lin、WenHong Wu首次提出小生境识别技术，I.L schoemnn等于2004年提出使用一种向量操作（Veetor Operations）的方法来识别小生境[1]，2009年陆青等使用在小生境识别技术的基础上改进的动态调整适应度增率来调整小生境半径的动态边界识别技术来识别小生境[2]，2011年彭勇等提出了基于小生境熵的动态边界识别小生境的算法[3]，选用NSGAII的非支配排序策略结合动态加权来构造最优解集的方式是黄平于2011年提出的[4]，2012年刘金华等提出了基于一种通过生成最小生成树的方法来调整小生境半径的自适应分布策略的自适应调整小生境半径的方法[5]。
目 录
Abstract1
Key words1
引言1
1 概述1
1.1 研究内容 1
1.2 研究目的 2
1.3 国内外研究进展 2
1.4 本文组织 2
2 基础知识 2
2.1 小生境粒子群算法 2
2.1.1 基本的粒子群算法 2
2.1.2 小生境技术 3
2.1.3 小生境粒子群算法 3
2.2 小生境识别技术 4
2.2.1 小生境识别技术 4
2.2.2 边界动态识别技术 4
3 实验结果一5
3.1 测试函数与运行参数 6
3.2 实验结果与分析 6
4 实验结果二8
4.1 测试函数与运行参数 9
4.2 实验结果与分析 9
5 比较与分析10
6 总结10
致谢11
参考文献11
基于小生境粒子群算法的比较研究
计算机科学与技术专业学生 何婧
指导教师 刘晓忠
A Comparative Study Based on The Niche Particle Swarm Algorithm（3号Times New Romar）
Student majoring in Computer Science and Technology He Jing
Tutor Liu Xiaozhong
Abstract： In *好棒文|www.hbsrm.com +Q: ￥351916072￥
view of the shortcomings of the basic particle swarm algorithm in the premature convergence and that cant locate multiple, optimal solutions of a multimodal problem, the niche technology is introduced into the particle swarm algorithm, and we get a niche particle swarm algorithm.For the niche technology is needed in setting the threshold value according to the prior knowledge of the shortcomings, a niche technology based on a dynamic boundary identification technology was put forward by Lu Qing.Based on the niche particle swarm optimization algorithm and the niche particle swarm algorithm based on dynamic boundary identification as the key points, first of all, their principles and the main technologies were used are introduced, secondly the experimental results of these two kinds of algorithm are appearred, the final validation niche in multimodal function to find the effect of multiple optimal solutions, and to find the optimal solution of the two kinds of algorithm performance comparison analysis.
Key words: NichePSO;NIT;dynamic boundary identification ;compare
基本的粒子群算法能够很好地找到全局最优解，但是容易陷入到局部极值点甚至是非最优位置点，发生早熟收敛现象，因此需要对粒子群的多样性进行维护；粒子群算法最终寻找到的最优解只有一个，对于多模态函数在寻找全局最优解的基础上还要找到多个局部最优解的需求，该算法也不能很好地解决。起源于遗传算法的小生境技术，不仅可以维持种群相对稳定的多样性，还可以找到多个最优解，具有很高的研究价值，成为近年来进化算法领域的研究的热点。在小生境技术基础上改进的小生境识别技术，通过使用自适应调整小生境半径策略，能够提高算法在进化过程中对于种群划分的准确率。
1 概述
1．1 研究内容
本课题的研究内容主要是在基本的粒子群算法的基础上为解决粒子群算法的维护粒子群多样性和寻找多个最优解的问题而引入了小生境技术的小生境粒子群算法、将遗传算法中在用于识别小生境的小生境识别技术之上改进的动态识别小生境技术移植到小生境粒子群算法中得到的新的优化算法这两种算法的原理，其中包括有基本的粒子群算法（主要要素及其优缺点等）、小生境技术（原理及应用分类等）、小生境粒子群算法（Faure序列，单认知模型，找中心粒子，确定半径，GCPSO算法，更新pbest、gbest、适应度值与半径，合并小生境，吸收小生境等）、小生境识别技术（找中心粒子，计算粒子间的欧氏距离并排序，找边界粒子等）、动态小生境识别技术（找中心粒子，计算粒子间的欧氏距离并排序，找边界粒子等）。还有对小生境粒子群算法和基于动态边界识别的小生境粒子群算法分别进行算法仿真和在寻找最优解的能力上进行测试并验证其性能，并对两者进行比较。
1．2 研究目的
本课题的研究目的是首先对两种算法用于多模态函数寻找多个最优解的效果进行验证，研究探讨小生境粒子群算法对多模态问题是否确实能够找到其多个最优解、将遗传算法中的自适应调整小生境半径策略的动态边界识别技术加入到小生境粒子群算法中，验证改进的算法是否也能找到多个最优解。其次将这两种算法在寻找最优解上的性能（如找到的最优解的个数、花费时间等）进行对比分析。
1．3 国内外研究进展
小生境在生物信息学、作业调度、工程优化、多分类器集成等各个领域都已经取得了普遍的应用[1]。近年来，随着越来越多的研究者对粒子群算法的注重，将小生境技术拓展至粒子群范畴的研究也越来越多，特别是在小生境识别技术的改善上，取得了大量的进展。在2002年R.Brits等第一次提出了用于在多模态问题中发现多个最优解的小生境粒子群算法（NichePSO）之后，同年，ChyiYeu Lin、WenHong Wu首次提出小生境识别技术，I.L schoemnn等于2004年提出使用一种向量操作（Veetor Operations）的方法来识别小生境[1]，2009年陆青等使用在小生境识别技术的基础上改进的动态调整适应度增率来调整小生境半径的动态边界识别技术来识别小生境[2]，2011年彭勇等提出了基于小生境熵的动态边界识别小生境的算法[3]，选用NSGAII的非支配排序策略结合动态加权来构造最优解集的方式是黄平于2011年提出的[4]，2012年刘金华等提出了基于一种通过生成最小生成树的方法来调整小生境半径的自适应分布策略的自适应调整小生境半径的方法[5]。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1887.html
