1、2012屆本科生畢業(yè)設計（論文）開題報告基于MATLA微粒群優(yōu)化算法研究專業(yè)電子信息工程專業(yè)方向信息工程班級08103351學號學生姓名謝麗指導教師安靜教研室電子信息工程電氣與電子工程學院2011年2月14日一、開題依據(jù)如今，隨著計算機科學與技術的迅速發(fā)展，人類生存空間的擴大以及與改造世界的范圍的拓寬，人們對科學技術提出了新的更高的要求，其中高效的優(yōu)化技術和智能計算要求日益迫切。優(yōu)化是科學研究、工程技術和經(jīng)濟管理等領域的重要研究工具。它所研究的問題是討論在眾多的方案中尋找最優(yōu)方案。例如，工程設計中怎樣選擇設計參數(shù)，使設計方案既滿足設計要求又能降低成本；資源分配中，怎樣分配有限資源，使分配方案既

2、能滿足各方面的基本要求，又能獲得好的經(jīng)濟效益。在人類活動的各個領域中，諸如此類，不勝枚舉。優(yōu)化這一技術，正是為這些問題的解決，提供理論基礎和求解方法，它是一門應用廣泛、實用性很強的科學。為了解決各種各樣的優(yōu)化問題，人們提出了許多優(yōu)化算法。粒子群優(yōu)化算法(ParticleSwarmOptimization,PSO由Eberhart博士和Kennedy博士提出新的算法，它是屬于進化算法的一種，是一種源于對鳥群捕食行為的研究而發(fā)明的進化計算技術。這種優(yōu)化算法以其實現(xiàn)容易、精度高、收斂快等優(yōu)點引起了學術界的重視，并且在解決實際問題中展示了其優(yōu)越性。二、文獻綜述1、粒子群優(yōu)化算法概述粒子群優(yōu)化算法(Pa

3、rticleSwarmOptimization,PSO是由Kennedyf口Eberhart等于1995年提出的一種演化計算技術，其基本思想源于他們早期參照生物學家的群體模型，對鳥類群體行為的規(guī)律性研究。PS葉，每個優(yōu)化問題的潛在解都是搜索空間中的一只鳥，稱之為“粒子”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應值，每個粒子還有一個速度決定它們飛翔的方向和距離。然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索。粒子群優(yōu)化算法概念簡明，參數(shù)設置少，很好地采用簡單速度一位移模型，并能根據(jù)當前的搜索情況動態(tài)調整搜索策略，對解決復雜環(huán)境中的優(yōu)化問題非常有效。由于認識到PSO在函數(shù)優(yōu)化等領域所蘊含的廣闊的應

4、用前景，在Kenned評口Eberhart之后很多學者都進行了這方面的研究。目前，已提出了多種PSOfc進算法,并且PSCE廣泛應用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡訓練，模式分類、模糊系統(tǒng)控制以及其他的應用領域。2、粒子群優(yōu)化算法的應用(1)PSOR直接的應用或許就是多元函數(shù)的優(yōu)化問題，包括帶約束的優(yōu)化問題。如果所討論的函數(shù)受到嚴重的噪音干擾而呈現(xiàn)非常不規(guī)則的形狀，同時所求的不一定是精確的最優(yōu)值，則PSOT法能得到很好的應用。(2)另外，還有一種應用更廣泛的方法：簡單而有效地演化的人工神經(jīng)網(wǎng)絡，不僅用于演化網(wǎng)絡的權重，而且包括網(wǎng)絡的結構。作為一個演化神經(jīng)網(wǎng)絡的例子，PSCM法已應用于分析人的顫抖。對人顫抖

5、的診斷，包括帕金森(Parkinson)病和原發(fā)性顫抖，是一個非常具有挑戰(zhàn)性的領域。PSO已成功地應用于演化一個用來快速和準確地辨別普通個體和有顫抖個體的神經(jīng)網(wǎng)絡，而網(wǎng)絡的輸入則為從一個活動變化記錄系統(tǒng)中獲得的歸一化的移動振幅。(3)另一個應用例子是使用PSO寸一個電氣設備的功率反饋和電壓進行控制。這里,采用一種二進制與實數(shù)混合的PSOT法來決定對連續(xù)和離散的控制變量的控制策略，以得到穩(wěn)定的電壓。(4)止匕外，PSO丕在動態(tài)問題中得到應用。一般而言，PSOW其他演化算法一樣，能用于求解大多數(shù)優(yōu)化問題。在這些領域中,最具潛力的有系統(tǒng)設計、多目標優(yōu)化、分類、模式識別、信號處理、機器人技術應用、決策

6、制定、模擬和證明等。例子包括模糊控制器設計、工作調度、實時機器人路徑設計和圖像分割等。3、粒子群優(yōu)化算法的研究現(xiàn)狀(1)通過在基本的Pso中引入繁殖和子種群的概念，增強其收斂性和尋求最優(yōu)解的能力。在每輪迭代中隨機選擇一定的粒子作為父代，通過繁殖公式生成具有新的空間坐標和速度的子代粒子，并取代父代以保持種群規(guī)模。其實這是一種提高對解空間搜索能力和粒子多樣性的數(shù)學交叉，可在一定程度上增強系統(tǒng)跳出局部極小的能力。(2)將PS。與模擬退火算法相結合的PSOSA算法，解決了微粒群算法性能分析過程中發(fā)現(xiàn)的初始參數(shù)依賴性問題和算法搜索能力問題。通過模擬退火算法賦予搜索過程一種時變且最終趨于零的概率突跳性，有

7、效地降低了陷入局部極小的概率，從而獲取更佳的近似最優(yōu)解。而且，模擬退火算法的串行優(yōu)化結構和微粒群算法的群體并行搜索相結合，拓展了微粒群在解空間中的搜索范圍,提高了其優(yōu)化性能，促進了種群群體多樣性的發(fā)展。4、粒子群優(yōu)化算法的發(fā)展方向(1)粒子群優(yōu)化算法的改進。粒子群優(yōu)化算法在解決空間函數(shù)的優(yōu)化問題和單目標優(yōu)化問題上應用得比較多，如何應用于離散空間優(yōu)化問題和多目標優(yōu)化問題將是粒子群優(yōu)化算法的主要研究方向。如何充分結合其他進化類算法，發(fā)揮優(yōu)勢，改進粒子群優(yōu)化算法的不足也是值得研究的。(2)粒子群優(yōu)化算法的理論分析。粒子群優(yōu)化算法提出的時間不長，數(shù)學分析很不成熟和系統(tǒng)，存在許多不完善和未涉及的問題，對

8、算法運行行為、收斂性、計算復雜性的分析比較少。如何知道參數(shù)的選擇和設計，如何設計適應值函數(shù)，如何提高算法在解空間搜索的效率算法收斂以及對算法模型本身的研究都需要在理論上進行更深入的研究。這些都是粒子群優(yōu)化算法的研究方向之一。(3)粒子群算法的生物學基礎。如何根據(jù)群體進行行為完善算法，將群體智能引入算法中，借鑒生物群體進化規(guī)則和進化的智能性也是學者關注的問題。4）粒子群優(yōu)化算法與其他進化類算法的比較研究。與其他進化算法的融合，如何讓將其他進化算法的優(yōu)點和粒子群優(yōu)化算法相結合，構造出有特色有實用價值的混合算法是當前算法改進的一個重要方向。（5）粒子群優(yōu)化算法的應用。算法的有效性必須在應用中才能體現(xiàn)

9、，廣泛的開拓粒子群優(yōu)化算法的應用領域，也對深入研究粒子群優(yōu)化算法非常的有意義。5、粒子群優(yōu)化算法與遺傳算法比較遺傳算法GA（GeneticAlgorithm,GA）1I模擬達爾文提出的“物競天擇”思想的一種隨機搜索算法，它的主要思想是遵循遺傳變異和優(yōu)勝劣汰的規(guī)則，對解空間進行隨機搜索以試圖找到最優(yōu)解。遺傳算法最早由美國密歇根大學的HollandJ在1975年提出，在函數(shù)優(yōu)化、組合優(yōu)化等領域有著廣泛應用，有學者也對該算法進行了深入研究口。與遺傳算法相比較，粒子群優(yōu)化算法的各粒子“有意識”的向群體所發(fā)現(xiàn)的最好位置移動，而遺傳算法僅僅靠隨機變異產(chǎn)生下一代個體，所以粒子群優(yōu)化算法在性能上優(yōu)于遺傳算法。

10、由于粒子群優(yōu)化算法的性能較高，所以眾多學者對該算法進行了深入研究，研究的重點在對標準粒子群優(yōu)化算法的改進上，如將模擬退火算法或遺傳算法和粒子群優(yōu)化算法相結合，以及提高粒子群優(yōu)化算法的突破局部極值的能力。搜索算法未來的研究重點仍然會集中在對粒子群優(yōu)化算法的改進方面。三、方案論證本次畢業(yè)設計我運用的是利用MATLAB!程來實現(xiàn)粒子群算法。首先要對算法進行設計,包括它的表示方案、參數(shù)設置等等，算法的設計步驟如下：（1）確定問題的表示方案（編碼方案）和其它的進化算法一樣，PSOT法在求解問題時，首先應先將問題的解從解空間映射到具有某種結構的表示空間，即用特定的碼串表示問題的解。根據(jù)問題的特征選擇適當?shù)?/p>

11、編碼方法，將會對算法的性能及求解結果產(chǎn)生直接的影響。PSOT法的早期研究均集中在數(shù)值優(yōu)化領域中,其標準計算模型適用于具有連續(xù)特征的問題函數(shù)，因此目前算法大多采用實數(shù)向量的編碼方案。用PSOT法求解具有離散特征的問題對象，正是此領域內的一個研究重點。（2）確定優(yōu)化問題的評價函數(shù)在求解過程中，借助于適應值來評價解的質量。因此在求解問題時，必須根據(jù)問題的具體特征，選取適當?shù)哪繕撕瘮?shù)或費用函數(shù)來計算適應度。適應度是唯一能夠反映并引導優(yōu)化過程不斷進行的參量。（3）選取控制參數(shù)psot法的控制參數(shù)，通常包括微粒群的規(guī)模（微粒的數(shù)目）、算法執(zhí)行的最大代數(shù)、慣性系數(shù)、認知參數(shù)、社會參數(shù)及其他一些輔助控制參數(shù)等

12、等。針對不同的算法模型，選取適當?shù)目刂茀?shù)，直接影響算法的優(yōu)化性能。（4）設計微粒的飛行模型。在微粒群算法中，最關鍵的操作是如何確定微粒的速度。由于微粒是由多維向量來描述的，故相應的微粒的飛行速度也表示為一個多維向量。在飛行過程中，微粒借助于自身的記憶（Lbest）與社會共享信息（Gbest）,沿著每一分量方向動態(tài)地調整自己的飛行速度與方向。（5）確定算法的終止準則與其它進化算法一樣，PSOT法中最常用的終止準則是預先設定一個最大的飛行代數(shù)，或者是當搜索過程中解的適應度在連續(xù)多少代后不再發(fā)生明顯改進時，終止算法。（6）編程上機運行。根據(jù)所設計的算法結構編程，并進行具體優(yōu)化問題的求解。通過所獲得

13、問題的解的質量，可以驗證算法的有效性，準確與可靠性。在編程仿真的軟件上，選用的則是MATLAB利用MATLAB陣運算的強大功能編寫粒子群算法程序有很好的優(yōu)勢。MATLAB!MATrixLABoratory的縮寫，是一款由美國TheMathWorks公司出品的商業(yè)數(shù)學軟件。MATLAB1一種用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計算的高級技術計算語言和交互式環(huán)境。除了矩陣運算、繪制函數(shù)/數(shù)據(jù)圖像等常用功能外，MATLAB5可以用來創(chuàng)建用戶界面及與調用其它語言（包括C,C+并口FORTRAN編寫的程序。盡管MATLA在要用于數(shù)值運算，但利用為數(shù)眾多的附加工具箱（Toolbox）它也適合不同領域

14、的應用，例如控制系統(tǒng)設計與分析、圖像處理、信號處理與通訊、金融建模和分析等。另外還有一個配套軟件包Simulink，提供了一個可視化開發(fā)環(huán)境，常用于系統(tǒng)模擬、動態(tài)/嵌入式系統(tǒng)開發(fā)等方面。四、畢業(yè)設計論文內容1、微粒群算法的設計1）依照初始化過程，對微粒群得隨機位置和速度進行初始設定。2）計算每個微粒的適應值。3）對于每個微粒，將其適應值與所經(jīng)歷過的最好位置的適應值進行比較，若較好，則將其作為當前的最好位置。（4）對每個微粒，將其適應值與全局所經(jīng)歷的最好位置的適應值進行比較，若較好，則將其作為當前的全局最好位置。（5）根據(jù)方程對微粒的速度和位置進行進化。（6）如未達到結束條件通常為足夠好的適應值

15、或達到一個預設最大代數(shù)，則返回步驟（2）。粒子群算法流程圖2、基于MATLAB勺微粒群算法程序設計（1）參數(shù)編碼（2）粒子群初始化（3）粒子速度和位置的更新（4）主程序程序設計流程圖3、微粒群算法性能仿真4、微粒群算法的改進算法的設計及仿真5、微粒群算法及其改進算法的性能比較五、進度安排1、 2012年1月17日至1月21日明確畢業(yè)設計任務，熟悉收集相關各種資料，學習軟件開發(fā)環(huán)境。2、 2012年2月21日至3月4日，畢業(yè)實習。3、2012年3月5日至3月30日，運用MATLA浣成對粒子群算法及其改進算法的設計與仿真并完成遺傳算法及其改進算法的設計與仿真。利用標準函數(shù)來完成對以上算法性能的比較。4、 2012年4月26日至5月15日，進行實驗驗證。5、 2012年5月16日至5月28日完成畢業(yè)設計論文，整理設計文件和實驗記錄。6