自適應變異量子粒子群優(yōu)化算法及其應用研究.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。它源于鳥群集體行為的啟發(fā)，與其它進化算法相比，它是很有競爭力的神經網絡學習算法。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。量子粒子群優(yōu)化QPSO(Quantum-behavedParticleSwarmOptimizati

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

3、是研究建立生產過程數(shù)學模型的一種理論和方法，其辨識方法很多，但都存在各方面的局限性，我們利用AMQPSO算法進行系統(tǒng)參數(shù)的辨識；同時，將非線性方程組的求解問題轉化為函數(shù)優(yōu)化問題，利用AMQPSO算法求解非線性方程和方程組的解；如何確定模糊產生式規(guī)則的各項參數(shù)對模糊Petri網(FPN)的建立具有非常重要的意義，并且也是目前的研究熱點之一，我們將一種充分結合AMQPSO算法和BP網絡學習算法各自優(yōu)點的混合算法ABHA(AMQPSOandB

4、PHybridAlgorithm)引入到模糊Petri網的參數(shù)尋優(yōu)過程。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)辨識中的應用。 3.AMQPSO算法在求解非線性方程和方程組的解中的應用。 4.ABHA在模糊Petri網參數(shù)優(yōu)化中的應用。 本文將AMQPSO應用到系統(tǒng)參數(shù)的辨識中，辨識結果表明該算法能有效地克服傳統(tǒng)辨識算法存在的一些局限性，具有

5、參數(shù)辨識精度高，抗噪聲能力強，對輸入信號通用性強，也適用于非線性系統(tǒng)參數(shù)辮識，具有重要的工程應用價值；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性、魯棒性和并行性，是一種不需使用導數(shù)信息和初始點的高效智能算法，實驗結果表明了算法的有效性。將ABHA引入到模糊Petri網的參數(shù)尋優(yōu)過程，仿真實例表明，這種混合算法計算簡單，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，由此訓練出的參數(shù)正確率較高，所得的FPN