文档介绍：基于全局最优预测的自适应变异粒子群优化算法
————————————————————————————————
Global Prediction-Based Adaptive Mutation
Particle Swarm Optimization
————————————————————————————————
作者姓名：李秋影
专业名称：计算机应用技术
指导教师：吴春国 副教授
学位类别：硕士
答辩日期：2015 年 05 月 19 日
提 要
提 要
近年，随着研究者对粒子群优化算法的不断深入探索，其全局优化能力得到了大大
提高，但同时也暴露出两个亟待解决的问题：对于复杂优化问题收敛速度过慢；易出现
早熟现象。为提出能够更好地克服早熟现象，并且具有良好收敛速度的高性能 PSO 算
法，本文从两个方面进行研究。一方面，为提高收敛速度，本文提出了基于全局最优预
测的搜索机制，建立全局最优解的预测模型。该模型根据能够体现当前群体演化趋势的
粒子信息来预测全局最优解，并将预测的全局最优解作为类似于𝑝𝑏𝑒𝑠𝑡和𝑔𝑏𝑒𝑠𝑡的榜样来
引导其它粒子的演化方向，从而提高整个群体向全局最优解收敛的速率。另一方面，为
防止早熟现象发生，本文引入了自适应变异策略，根据当前群体中粒子映射到各维度上
的拓扑结构来评价粒子各维度上的聚集度，从而得到当前群体中局部最优解的可能位置，
然后采用改进的非均匀变异操作来引导这部分粒子跳出局部最优区域。本文所提出的算
法称为基于全局最优预测的自适应粒子群优化算法（global prediction-based adaptive
mutation PSO，GPAM-PSO）。数值实验表明，本文所提出的粒子群优化算法在收敛速度
上具有很大优势，较其它对比算法平均提高 87%以上，并且对 21 个标准测试函数能够
100%达到预设精度要求，更加准确地收敛到全局最优解。
I
摘 要
摘 要
基于全局最优预测的自适应变异粒子群优化算法
无论是在日常生活中或是在工程技术领域中都广泛存在着各种优化问题，如旅行商
问题，船舶调度，车间调度，晶体结构预测，建筑结构优化等，以模拟自然界群体行为
为基础的粒子群优化算法通过群体间信息交互以寻求可行域中的最优解，其原理简单、
寻优能力强，吸引了更多学者对其内在寻优机制的不断优化与探究。但仍存在两个未完
全攻克的难点——收敛速度较慢及早熟现象的发生。
本文分别针对这两个问题提出了有效的改进方法。一方面，为了提高粒子群优化算
法的收敛速度，提出了渐进全局最优解预测方法。首先，利用主成分分析的方法进行高
维粒子的降维，然后在低维空间上利用函数回归的方法建立依据当前群体信息的全局最
优解预测模型。该模型能够有效提取当前群体位置信息的特征值，然后经由预测模型来
预测全局最优解，并将预测得到的全局最优解作为类似于𝑝𝑏𝑒𝑠𝑡和𝑔𝑏𝑒𝑠𝑡的榜样来引导其
它粒子的演化过程。另一方面，为了减小群体发生早熟现象的可能性，本文通过提出了
扩展的非均匀变异操作，并引入了自适应变异的策略，根据粒子在各个维度上的拓扑结