混合粒子群算法的性能仿真研究+源代码(3)
1.1.1 自然计算的研究背景
自然计算的分支粒子群优化算法自提出十多年以来，由于其算法简单、计算快速和算法易实现性等，引起了国际上多个不同领域众多学者的关注和研究，从而成为了国际自然计算界研究热点问题之一。目前，粒子群优化算法出现多种改进算法，获得了很大的进展，且已经应用于许多科学及工程领域，特别是在组合优化、工业控制等领域得到了广泛的应用。由于算法形式简洁，容易编程，应用广泛等优点。同时由于它易陷入局部极值，必须进一步改进，从而在一定程度上可以增强其优化性能，深受业内人士的重视。现阶段研究粒子群优化算法的性能改进，主要集中在各种机制的改进，得出一种新的算法，提高了优化性能，求解实际问题。有研究者借鉴遗传算法的思想提出了混合PSO算法(Hybrid PSO)的概念。基于PSO搜索过程很大程度上依赖Pbest和Gbest，它的搜索区域受到了这两个极值的限制，混合PSO算法就将PSO基本算法和遗传算法的选择机制相结合，以提高算法的性能。Angeline将演化计算所采用的自然选择机制引入PSO，提高PSO的局部搜索能力，但同时削弱了全局搜索能力；Noel等人将梯度信息引入PSO算法，主要是利用梯度信息使算法搜索到局部最优点，最大特点是不需要邻居结构，可节省标准PSO算法需要比较的计算量，加快了收敛速度；Wachowiak等人提出将Powell方法嵌人PSO算法中，以提高解的精度；混合PSO算法由于局部搜索能力增强，在一定程度上可找到最优解，且可克服早熟收敛问题，但是以增加计算时间为代价。目前对粒子群优化算法的研究和改进主要有如下几个方面：基于惯性权重和收敛因子的改进、与进化计算技巧有机结合、基于领域算子及拓扑结构的改进、构造新的微粒组织或者群结构、离散二进制粒子群优化算法、与其它优化方法的结合。
1.1.2 自然计算的应用
粒子群算法具有个体数目少，计算快，依赖经验参数较少。鲁棒性、通用性和有效性好等特点，它已经成功应用于多个不同的领域。简单归纳为如下：
（1） 函数优化问题的求解：约束优化问题的求解，数值积分的求解，约束规划问题的求解，多目标优化问题的求解，组合优化问题的求解，离散空间组合优化问题的求解。
（2） 电力系统领域：利用基于PSO算法优化电力系统稳定器参数的问题；利用PSO算法解决电力系统的多种经济调度问题；一种新的混合智能方法用来解决配电网络重构问题。
（3） 机器人领域：Venayagamoorthy等利用PSO算法和基于PSO算法的模糊控制对可移动式传感器进行导航；Wu等利用PSO算法求解机器人路径规划问题。
（4） 化工领域：运用基于小波神经网络的HGDPSO对机器进行故障诊断；将PSO运用到烧结矿配料优化中；将PSO运用到机械优化设计中。
（5） 机械设计领域：利用PSO对PID控制器参数的自整定；利用PSO优化RBF网络学习；一种PSO算法设计FIR数字滤波器的方法。
（6） 通信领域：一种基于分布式计算的多目标粒子群算法；并将其应用于基站优化问题，利用PSO设计RF电路。
（7） 图像处理领域：利用HPSO解决任务分配问题；量子行为的粒子群优化算法应用于图像压缩。
（8） 生物信息领域：Xiao等利用基于自组织映射和PSO算法的混合聚类方法来解决基因聚类问题；利用PSO对谷安梅菌体生长进行参数估计。
（9） 医学领域：Shen 和Kennedy等提出离散PSO算法选择MLR和PLS模型的参数，并预测血管紧缩的对抗性。
上一篇：温度采集上位机软件开发+文献综述