优化是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题。其目的是找到使目标函数达到最小或最大的条件。一般流行的序贯优化方法如牛顿法、共轭梯度法、模式搜索法、单纯形法、Rosenbrock法和Powell法是在问题的解域选取一个初始点,通过迭代找到一个极值点。随着人类生存空间的扩大以及认识与改造世界范围的拓宽,人类需要对客观世界的规律有更全面深入的理解,已有许多优化方法在处理人们所面对的复杂问题时,如高维、多极点、函数性质复杂等,在解的精度,或者求解所需时间等方面,往往很不能令人满意。因此高效的优化技术成为科学工作者的研究目标之一。 现代优化方法如人工神经网络、禁忌搜索、模拟退火、遗传算法和蚁群算法等在解决问题时展现出强大潜能,它们可在合理的时间内逼近复杂对象问题的最优解。这些算法涉及神经科学、人工智能、统计力学、生物进化等概念,很多都是以一定的自然现象作为基础构造的算法,其中有一些称为智能优化算法。近年来,另外一种新的优化算法——粒子群优化算法(PSO)逐渐成为学者关注的研究方向之一。它的主要特点是简单、收敛速度较快,且所需领域知识少。尽管粒子群优化算法发展近十年,但无论是理论还是实践都尚未成熟。 本文首先分析了研究粒子群优化算法的重要意义,接着介绍了与PSO研究有关的几个基础问题,包括优化的基本概念和分类方法等。随后,从PSO算法的基本结构、算法特点、改进方法、实现模式及应用等方面做了较为系统的研究工作。本文的主要研究成果可归纳如下: (1)相对于颇有成效的实际应用而言,对PSO算法的基础理论研究尚较滞后。为更清楚的认识其内在机理,本文将粒子群优化过程看成一个动态系统的演变,采用线性离散时间系统的研究方法对PSO算法的收敛性作了分析。进一步又导出了简化PSO算法的收敛条件,并以此条件对原始PSO和标准PSO进行定性分析。还对特定初始条件下PSO种群中粒子的轨迹进行了仿真观察。 (2)算法参数是影响算法性能和效率的关键。本文归纳出了PSO算法的主要控制参数,通过标准测试函数,对PSO算法的参数选取进行了较为细致的研究,总结出了一些指导性规律。此外,还提出了一种自动选取控制参数的复合粒子群优化算法,该算法适用于对精度要求较高,而对时间要求不是非常严格的问浙江大学博士学位论文题。还将该算法应用到了重油热解模型的参数估计问题中,效果良好。 (3)为克服PSO在高维复杂问题寻优时仍有相当可能陷入局部极小的现象,提出一种自适应粒子群优化算法。在算法进化过程中引入种群分布嫡和平均粒距两个测度函数,调节算法的探测和开发能力,达到跳出局部极小点,获得全局最优的目的。种群分布墒表达种群中的粒子在搜索空间各个区间的分布情况,平均粒距表达种群中各粒子相互之间的分布离散程度。探测是指粒子在较大空间范围内离开原先的寻优轨程,偏到新的方向进行搜索;开发则指粒子在较小空间范围内继续原先的寻优轨程进行细部搜索。采用标准测试函数和XOR神经网络对算法测试表明,自适应粒子群优化算法优化效率较高,稳健性强。 (4)针对PSO算法局部搜索能力较弱和存在早熟收敛的问题,本文提出将模式搜索方法嵌入粒子群优化算法中,以此构建混合粒子群优化算法。此外,在搜索过程中还加入变异操作来增加种群多样性,以避免种群早熟收敛。其中,局部搜索增加了算法的开发能力,而变异操作提高了算法的探测能力。探测与开发的平衡则通过两个域值变量来完成。测试函数研究表明,混合粒子群优化算法局部搜索能力有显著提高,且有更高概率搜索到全局最优点。最后,还将这种混合算法成功地应用到了硫化催化裂化初始工作条件的优化问题中,获得良好的结果。 (5)BP神经网络是用途最广泛的一种网络,但它的学习算法存在训练速度慢、易陷入局部极小和全局搜索能力弱等缺点。而PSO不要求目标函数具有连续性,且它的搜索具有全局性和并行性,因此构建了一个用PSO算法训练网络权值的进化神经网络模型,并将这种建模方法应用到苯乙酞胺类农药的定量构效关系建模中,取得了满意的结果。 总之,论文对粒子群优化算法做了较为全面深入的分析和讨论,不仅提出了多种有效的改进措施,而且拓宽了其应用领域。论文最后对所做工作进行了总结,并提出了进一步研究的方向。关键词:局部搜索、进化算法、粒子群优化、收敛性分析、建模、参数估计、进化神经网络、混合算法、自适应、应用