粒子群算法的改進及其在人工神經(jīng)網(wǎng)絡中的應用.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)是由Kennedy 博士和Eberhart 博士在1995年提出的算法，該算法是一種新穎的仿生優(yōu)化算法，由于粒子群優(yōu)化算法的基本原理簡單、實現(xiàn)操作簡單，必須設置的參數(shù)不多，因此得到了廣泛的認同和關注，而且已被應用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡、模糊系統(tǒng)控制等多個領域。
　　 本文首先分析了研究粒子群優(yōu)化算法的重要意義，接著從PSO 算法的基本結構、算法基本原理

2、、改進的方法、實現(xiàn)的模式及應用的領域等方面做了較深入的系統(tǒng)的研究工作。本文的主要研究成果可歸納如下：
　　 1.針對PSO 算法在進化搜索過程中常常因為種群的多樣性減少的太快，造成PSO 算法過早收斂，導致發(fā)生PSO 算法尋找全局最優(yōu)解的性能較差的問題，提出了一種改進的粒子群優(yōu)化算法，在該算法中采用了動態(tài)調(diào)整的學習因子和基于粒子飛行坐標調(diào)整的慣性權重，并充分體現(xiàn)了勞動分工的思想，達到了增加種群多樣性的目的。實驗結果證明，該算法能

3、夠有效地避免種群早熟收斂，提高了算法的收斂解的精度。
　　 2.PSO 算法中，粒子僅僅吸取個體經(jīng)驗信息和群體經(jīng)驗信息來搜索解空間以得到全局最優(yōu)解，因此，粒子所獲取的經(jīng)驗信息量不足以克服PSO 算法早熟收斂的缺點。本文提出了另一種改進粒子群優(yōu)化算法，該算法在粒子的速度公式中添加了附加的經(jīng)驗信息，以達到增加粒子個體自身所獲得的經(jīng)驗信息量的目的，并且依據(jù)粒子的速度變化情況和粒子之間匯集程度來調(diào)整慣性權重，實驗證明，該算法能夠穩(wěn)定地、

4、有效地收斂到精度較高的最優(yōu)解。
　　 3.BP (Back Propagation)算法是用于訓練人工神經(jīng)網(wǎng)絡的一種學習算法，但是其具有訓練速度慢、易陷入局部極小和全局搜索能力弱等不足。本文將提出的兩種改進粒子群優(yōu)化算法用于訓練人工神經(jīng)網(wǎng)絡，通過實驗對比分析，證明了改進粒子群優(yōu)化算法在訓練人工神經(jīng)網(wǎng)絡時可以有效克服BP 算法所存在的不足。
　　 總之，論文對粒子群優(yōu)化算法做了較為全面深入的分析與討論，不僅提出了兩種有效的