自適應(yīng)變異量子粒子群優(yōu)化算法及其應(yīng)用研究.pdf

1、粒子群優(yōu)化PSO(ParticleSwarmOptimization)算法是由Kennedy和Eberhart于1995年提出的一種優(yōu)化算法。它源于鳥(niǎo)群集體行為的啟發(fā)，與其它進(jìn)化算法相比，它是很有競(jìng)爭(zhēng)力的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。由于粒子群的聚集性，群體多樣性的丟失不可避免。在搜索的后期，粒子聚集成群，搜索空間十分有限，粒子群可能陷入局部極值點(diǎn)。量子粒子群優(yōu)化QPSO(Quantum-behavedParticleSwarmOptimizati

2、on)算法是從量子力學(xué)的角度出發(fā)提出的一種新的PSO算法模型，這種模型以Delta勢(shì)阱為基礎(chǔ)，認(rèn)為粒子具有量子的行為。為了避免陷入局部極值點(diǎn)，本文在QPSO算法基礎(chǔ)上引入變異機(jī)制，以自適應(yīng)變異概率對(duì)個(gè)體進(jìn)行變異，以此來(lái)增加種群的多樣性，同時(shí)，為了防止最優(yōu)值的丟失，首次采用精英保留策略，建立精英個(gè)體序列庫(kù)，提出了自適應(yīng)變異量子粒子群優(yōu)化AMQPSO(adaptiveQPSOwithmutationoperator)算法。 系統(tǒng)辨識(shí)

3、是研究建立生產(chǎn)過(guò)程數(shù)學(xué)模型的一種理論和方法，其辨識(shí)方法很多，但都存在各方面的局限性，我們利用AMQPSO算法進(jìn)行系統(tǒng)參數(shù)的辨識(shí)；同時(shí)，將非線性方程組的求解問(wèn)題轉(zhuǎn)化為函數(shù)優(yōu)化問(wèn)題，利用AMQPSO算法求解非線性方程和方程組的解；如何確定模糊產(chǎn)生式規(guī)則的各項(xiàng)參數(shù)對(duì)模糊Petri網(wǎng)(FPN)的建立具有非常重要的意義，并且也是目前的研究熱點(diǎn)之一，我們將一種充分結(jié)合AMQPSO算法和BP網(wǎng)絡(luò)學(xué)習(xí)算法各自優(yōu)點(diǎn)的混合算法ABHA(AMQPSOandB

4、PHybridAlgorithm)引入到模糊Petri網(wǎng)的參數(shù)尋優(yōu)過(guò)程。本文的主要工作如下： 1.QPSO算法與AMQPSO算法分析及研究。 2.AMQPSO算法在系統(tǒng)辨識(shí)中的應(yīng)用。 3.AMQPSO算法在求解非線性方程和方程組的解中的應(yīng)用。 4.ABHA在模糊Petri網(wǎng)參數(shù)優(yōu)化中的應(yīng)用。 本文將AMQPSO應(yīng)用到系統(tǒng)參數(shù)的辨識(shí)中，辨識(shí)結(jié)果表明該算法能有效地克服傳統(tǒng)辨識(shí)算法存在的一些局限性，具有

5、參數(shù)辨識(shí)精度高，抗噪聲能力強(qiáng)，對(duì)輸入信號(hào)通用性強(qiáng)，也適用于非線性系統(tǒng)參數(shù)辮識(shí)，具有重要的工程應(yīng)用價(jià)值；利用AMQPSO算法解非線性方程和方程組，這種算法有高度的適應(yīng)性、魯棒性和并行性，是一種不需使用導(dǎo)數(shù)信息和初始點(diǎn)的高效智能算法，實(shí)驗(yàn)結(jié)果表明了算法的有效性。將ABHA引入到模糊Petri網(wǎng)的參數(shù)尋優(yōu)過(guò)程，仿真實(shí)例表明，這種混合算法計(jì)算簡(jiǎn)單，收斂速度快，能夠明顯減少迭代次數(shù)，具有更好的全局收斂性能，由此訓(xùn)練出的參數(shù)正確率較高，所得的FPN