1.2.2微粒群算法的应用
微粒群算法自提出10年以来,得到了国际上相关领域众多学者的关注和研究,成为国际进化计算界研究的热点.目前,PSO出现了多种改进算法,且已经应用于许多科学和工程领域,特别是在生产调度领域的应用。
例如以下两种：
1.量子行为粒子群优化算法（QPSO）
量子力学 波函数 概率密度函数 基本进化方程 进化方程
2.异步粒子群优化算法（异步PSO）
基于多线程或多进程
PSO算法应用面很广泛，Kassabalidis I等利用PSO实现对卫星无限网络路由的自适应调整，提高网络容量的有效利用率。RobinsonJ，Sinton S和Rahmat-Samii将PSO用于PCHA(剖面波状喇叭天线)的优化设计，并与GA的优化效果进行了比较，在此基础上又研究了二者混合应用的可行性。其中所完成的一系列实验证实PSO作为一种新型的优化算法具备解决复杂工程优化问题的能力。IsmailA，EngelbrechtAP利用PSO实现了对人工神经网络权值和网络模型结构的优化，并将研究结果应用于“自然语言组词”的分析方法设计。Eberhart R．C与Hu X采用经PSO优化的神经网络实现了对人类肢体颤抖现象的分析，并完成了对正常颤抖和帕金森氏症的诊断功能。在疾病和乳腺肿瘤是良性和恶性的判断、心脏病的诊断，PSO训练的神经网络也取得了较高的诊断成功率。El Gallad A I,EIHawary，M E Sallam，Kalas同样采用PSO对神经网络进行了优化，并利用其设计了电力变压器的智能保护机制。Yoshida H，Kawata K，Fukuyama Y,Nakanishi利用PSO实现了对各种连续和离散控制变量的优化，从而达到了控制核电机组电流稳定输出电压的目的。
PSO算法和其他进化算法类似，能用于求解大多数优化问题。比如多元函数的优化问题，包括带约束的优化问题。经过大量的实验研究发现，PSO算法在解决一些典型优化问题时，能够取得比遗传算法更好的优化结果。PSO还在动态问题和多口标优化问题中得到应用。本文来自辣%文,论'文.网，
毕业论文 www.751com.cn 加7位QQ324~9114找原文
PSO算法也被成功地应用电力系统领域。这单主要涉及到带约束条件，使用不同版本的PSO算法相结合用来决定对连续和离散的控制变量和控制策略的问题。日本Fuji电力公司的研究人员将电力企业著名的RPVC(ReactivePower
and Voltage Control)问题简化为函数最小值问题，并使用改进的PSO算法进行
求解，与传统的方法如专家系统、敏感性分析相比，实验产生的结果证明了PSO
算法在解决该问题时的优势。将PSO算法与BP神经网络算法相结合训练神经网
络用于电动汽车燃料电池组实时充电情况的模拟和各种生物化学成分的优化组
合进而生成人工合成微生物的过程。
除了以上领域外，PSO在自动目标检测，生物信号识别、决策调度、系统辨识以及游戏训练、分类、信号处理、机器人应用等方面也取得了一定的成果。目前在模糊控制器设计、车问作业调度、机器人实时路径规划、自动目标检测、语音识别、烧伤诊断、探测移动目标、时频分析和图象分割等方面已经有成功用
的先例。
1.3本文的组织
本文章节组织如下：第一章首先对微粒群算法进行了综述，分别从智能算法的提出，微粒群算法的起源，微粒群算法的发展，以及微粒群算法的应用四个方面进行了详细的说明。第二章简单介绍了几种微粒群算法基本粒子群算法，带压缩因子的粒子群算法。线性递减权重粒子群算法。自适应权重的粒子群算法，随机权重的粒子群算法，同步变化的学习因子粒子群算法，异步变化的学习因子粒子群算法，二阶粒子群算法，二阶震荡粒子群算法，混沌粒子群算法，基于自然选择的粒子群算法，基于杂交的粒子群算法，基于模拟退火的粒子群算法。基本介绍了这些算法的原理以及相应的算法过程。第三章运用了matlab软件，制图横向的对比几种算法的优缺点。
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 下一页 >>
matlab微粒群算法研究与仿真 第3页下载如图片无法显示或论文不完整，请联系qq752018766
