论文部分内容阅读
多模态函数优化是一个复杂优化问题,使用传统优化方法会遇到许多困难,群体智能算法为解决这类复杂优化提供了一种新的思路。PSO作为一种群体智能算法,具有鲜明的群体智能特征,多子群粒子群算法在多模态优化中表现了它的简单性和有效性。目前在已有的多子群粒子群算法求解多模态优化问题的研究成果中,子群的划分多是基于适应值和邻域,须提前确定子群的数目;对子群间和粒子间交流研究却很少,缺乏一种有效度量子种群多样性的方法。针对上述两个问题,本文通过对粒子子群间交流学习特性的研究,提出了纵向参数多子群粒子群算法(VPMSPSO),论文主要包括以下研究内容:首先,受生物个体向其近邻学习和个体间相互趋同形成小群体的特性启发,提出纵向参数多子群粒子群算法(VPMSPSO)。并对VPMSPSO算法收敛性进行了研究和证明。结果表明:VPMSPSO算法总体收敛速度较标准粒子群算法慢,但能收敛于多峰值函数的各个峰值。其次,在子群最优值为随机序列的前提下,建立了算法的非线性离散系统模型,分析了系统稳定性,得出了系统稳定的参数选取条件;研究子群合并对粒子行为的影响,得出逼近度阈值的选取范围。第三,分析了子群进化过程中丢峰和孤粒子子群产生的原因,提出度量子群多样性的子群相对差异度和子群相对熵概念,改进了VPMSPSO算法。结果表明:改进后的算法可更好地描述子群动态演化状态,有效提高了子群多样性,避免丢峰和孤粒子子群现象的产生。第四,利用VPMSPSO算法的动态聚类特性,提出了一种基于VPMSPSO的自适应聚类算法(SACA-VPMSPSO),并将其应用于RBF网络的构建。并基于VPMSPSO算法,采用自然数编码进行了分类器设计。最后,将VPMSPSO算法用于神经网络集成训练,其多峰并行搜索特性使训练不仅确定网络权值还可以确定集成网络个数。针对煤矿涌水量数据和瓦斯涌出浓度数据特点,建立了基于VPMSPSO算法训练的神经网络集成和RBF网络两种煤矿涌水量预测模型,建立了基于VPMSPSO分类器的煤矿瓦斯涌出浓度分类规则提取模型,从而将VPMSPSO算法应用于煤矿企业决策支持预警系统中。