信息与计算科学毕业论文

《信息与计算科学毕业论文》由会员分享，可在线阅读，更多相关《信息与计算科学毕业论文（19页珍藏版）》请在装配图网上搜索。

1、本科毕业设计(论文)基于粒子群算法的函数优化问题研究院 （系）： 理 学 院 专 业： 信息与计算科学 班 级： 071001 学 生： 张磊 学 号： 071001120 指导教师： 过晓芳 2011年 6月本科毕业设计(论文)基于粒子群算法的函数优化问题研究院 （系）： 理 学 院 专 业： 信息与计算科学 班 级： 071001 学 生： 张磊 学 号： 071001120 指导教师： 过晓芳 2011年 6月目 录附录1 毕业设计（论文）开题报告附录2 西安工业大学毕业设计（论文）开题报告检查表附录3 毕业设计（论文）中期报告附录4 西安工业大学毕业设计（论文）工作中期检查表附录5 西

2、安工业大学毕业设计（论文）指导教师评分表附录6 西安工业大学毕业设计（论文）评阅教师评分表附录7 西安工业大学毕业设计（论文）答辩暨综合评分表 毕业设计(论文)开题报告基于粒子群算法的函数优化问题研究院（系） 数理系 专 业 信息与计算科学 班 级 071001 姓 名 张磊 学 号 071001120 导 师 过晓芳 2011年 2月28日1 毕业设计（论文）综述（题目背景、研究意义及国内外相关研究情况）1.1 题目背景：1986年Craig Reynolds提出了Bold（Bird-oid）模型。该模型用来模拟鸟群聚集飞行的行为，提出了群体中个体飞行的三个原则：(1) 远离最近的邻居；(2

3、) 向目标靠近；(3) 向群体中心靠近；群中的任何个体在飞行时都遵循以上三条规则。之后，Frank Heppner在Bold模型的基础上又加入了栖息地的仿真条件，即鸟群的活动范围不会越出栖息地。受到Bold（Bird-oid）模型的启发，1995年Kennedy和Eberhart通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法，粒子群优化(Particle Swarm Optimization, PSO)算法。1995年IEEE国际神经网络学术会议发表了题为“Particle Swarm Optimization”的论文，标志着PSO算法诞生。Kennedy和E

4、berhart认为鸟之间存在着相互交换的信息，于是他们在仿真中增加了一些内容：每个个体能够通过一定得规则估计自身位置的适应值；每个个体都能够记住自己当前所找好的最好位置，称为“局部最优pbest”；此外还记住了群体中所有鸟中找到的最好位置，称为“全局最优gbest”。这两个最优变量使得鸟在某种程度上朝这些方向靠近。PSO算法具有很好的生物社会背景而易理解、参数少而易实现，对非线性、多峰问题均具有较强的全局搜索能力，在科学研究与工程实践中得到了广泛的关注。1.2 研究意义：大量的问题最终可归结为函数的优化问题，通常这些函数是非常复杂的，主要表现为规模大，维数高，非线性，非凸和不可微等特性，而且有

5、的函数存在大量局部极小。许多传统确定性优化算法收敛速度较快，计算精度高，但对初值敏感，易陷入局部最小。而一些具有全局性的优化算法，如遗传算法，进化规划等，受限于各自的机理和单一结构，对于高维复杂函数难以实现高效优化。PSO算法通过改进或结合其他算法，对高维复杂函数可以实现高效优化。粒子群算法的优势在于算法的简洁性，易于实现，没有很多的参数需要调整，且不需要梯度信息，所以对不连续函数或者多峰函数有较强的全局搜索能力，适合解决这一类函数的优化问题。与遗传算法比较，粒子群优化算法的信息共享机制是很不同的。在遗传算法中，染色体互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动。在粒子群优化算法

6、中, 只有gBest 给出信息给其他的粒子， 这是单向的信息流动。整个搜索更新过程是跟随当前最优解的过程。与遗传算法比较, 在大多数的情况下，所有的粒子可能更快的收敛于最优解。目前PSO已经广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。PSO最初应用到神经网络训练上，在随后的应用中，PSO可以确定神经网络的结构。作为演化神经网络的例子，Eberhart已经成功用PSO来分析人类帕金森综合症等颤抖类疾病，Parsopoulos将PSO用于解决多目标优化问题、最小最大化问题、整数规划问题和定位所有全局极值等问题。一般说来，PSO比较有潜力的应用包括系统设计、多目标优化、

7、分类、模式识别、调度、信号处理、决策机器人应用等。其中具体的应用实例有：模糊控制器设计、车间作业调度、机器人实时路径规划、自动目标检测等。1.3 国内外研究情况：虽然近年来PSO算法在国内外发展迅速并取得了可观的研究成果,但其理论基础仍相对薄弱，尤其是算法基本模型中的参数设置和优化问题还缺乏成熟的理论论证和研究。鉴于PSO的发展历史尚短，它在理论基础与应用推广上都还存在一些缺陷，有待解决，在以下方面仍然值得进一步研究：(1) 理论研究：虽然目前对 PSO 稳定性和收敛性的证明已取得了一些初步成果，但自诞生以来其数学基础一直不完备，特别是收敛性一直没有得到彻底解决。因此，仍需要对 PSO 的收敛

8、性等方面进行进一步的理论研究。(2) 控制参数自适应：虽然对PSO参数的改进策略等方面已取得了一定进展，但仍然有很大的研究空间；特别是如何通过对参数自适应调节以实现“探索” 与“开发”之间的平衡、以及“nearer is better”、假设与“nearer is worse”假设之间的智能转换，是一个令人很感兴趣的课题。(3) 信息共享机制：基于邻域拓扑的PSO局部模型大大提高了算法全局搜索能力，充分利用或改进现有拓扑结构以及提出新的拓扑，进一步改善算法性能，是一个值得进一步研究的问题。同时，由于全局模型具有较快的收敛速度、而局部模型具有较好的全局搜索能力，对信息共享机制做进一步研究，保证算

9、法既具有较快的收敛速度、又具有较好的全局搜索能力，也是一个很有意义的研究方向。(4) 混合PSO：混合进化算法是进化算法领域的趋势之一，与其它进化算法或传统优化技术相结合，提出新的混合PSO算法，甚至提出基于PSO的超启发式搜索算法，使算法对不同种类的问题具有尽可能好的普适性，并能“更好、更快、更廉”地得到问题的解，也是一个很有价值的研究方向。(5) 应用研究：算法的有效性和价值必须在实际应用中才能得到充分体现。广大科学与工程领域的研究人员，在各自的专业背景下，利用 PSO 解决各种复杂系统的优化问题，进一步拓展其应用领域，是一项十分有意义的工作。2本课题研究的主要内容和拟采用的研究方案、研究

10、方法或措施2.1 主要内容：（1）学习基本粒子群算法的基本原理。 （2）为了克服基本粒子群算法对于多峰函数收敛速度缓慢且易于收敛到局部最优解的缺点，对基本粒子群算法进行改进，从而改善其局部搜索能力。（3）选取几个函数优化问题的算例，利用Matlab编程求解问题的全局最优解。2.2 研究方法： 学习粒子群优化算法的理论基础和研究现状；学习粒子群优化算法的原理及算法流程；对粒子群算法参数设置做详细的研究并通过比较实验数据，选取合适的参数并进行相应的函数仿真实验；采用惯性权重自适应调整方法改进基本粒子群算法，并在matlab程序中实现。3.本课题研究的重点及难点，前期已开展工作 3.1重点及难点：（

11、1）学习粒子群算法的基本原理。（2）粒子群算法的改进。（3）函数的选取和最优解求解过程。（4）熟悉并掌握Matlab编程。3.2 前期开展工作：在2010年寒假期间，通过网络和书本初步学习了粒子群算法的基本原理和函数的选取，对Matlab编程加以巩固学习，另外在网上搜集有关资料，借阅和购买有关书籍。开学第1,2周整理相关资料，撰写开题报告。4.完成本课题的工作方案及进度计划（按周次填写） 第一阶段：第1周-第2周，撰写开题报告，整理毕业设计所需资料。第二阶段：第3周，撰写并修改论文提纲。第三阶段：第4周-第14周，完成实验，外文翻译，撰写毕业论文。第四阶段：第14周-第15周，修改毕业论文。第

12、五阶段：第15周-第16周，定稿，打印，提交毕业论文。第六阶段：第17周-第18周，毕业设计答辩。参考文献：1 纪震，廖惠连，吴青华.粒子群算法及应用.北京：科学出版社，2009.16-232 崔逊学. 多目标进化算法及其应用.北京：国防工业出版社，2006.66-733 恩格尔波利特著，谭营等译.计算群体智能基础.北京：清华大学出版社.2009.245-2524 李丽，牛奔.粒子群优化算法.北京：冶金工业出版社，2009.78-965 王超能.算法设计及其MATLAB实现.北京:高等教育出版社,2006.10-156 吴祈宗，郑志勇，邓伟.运筹学与最优化MATLAB编程.北京：机械工业出版社

13、，2009.164-1687 王万良, 唐宇. 微粒群算法的研究现状与展望. 浙江工业大学学报, 2, 2007: 136-1418 谢晓锋, 张文俊, 杨之廉. 微粒群算法综述.北京大学学报 ,2003.129-1349 Kennedy J. Small worlds and mega-minds: Effects of neighborhood topology on particle swarm performance . in: Proc. IEEE Congr. Evol. Comput. Jul. 1999.19311938.10 Veeramachaneni K, Peram T

14、, Mohan C, Osadciw L A. Optimization using particle swarms with near neighbor interactions A. in: Proc. Genetic and Evolutionary Computation (GECCO 2003) .2003.110121. 11 Abraham A, Guo H, Liu H. Swarm intelligence: foundations, perspectives and applications . Swarm Intelligent Systems, Studies in C

15、omputational Intelligence , N. Nedjah, L. Mourelle (eds.), Springer Verlag, 2006.3-25. 12 Poli R, Kennedy J, Blackwell T. Particle swarm optimization: An overview . Swarm Intelligence, 2007.33-57. 13 Jelmer Van A, Robert B, Bart De S. Particle swarms in optimization and control. in: Proceedings of t

16、he 17th World Congress The International Federation of Automatic Control Seoul, Korea, 2008.5131-513614 Kennedy J. The particle swarm: Social adaptation of knowledge A. in: Proc. IEEE Int. Conf. Evol. Comput. Apr. 1997, pp. 303308 15 Langdon W B, Poli R. Evolving problems to learn about particle swa

17、rm and other optimizers A. in: Proc. CEC-2005.2005.81-88西安工业大学毕业设计（论文）开题报告检查表专业： 信息与计算科学 班级： 071001 学生姓名：张磊设计（论文）题目基于粒子群算法的函数优化问题研究检查方式开题答辩审阅开题报告检查标准序号项目要 求满分1文献综述能认真阅读教师指定的参考资料、文献，并能阅读与课题有关的自选资料，能独立搜集资料和分析、研究、综合，论述全面。202内容理解开题符合设计任务要求，对选题内容理解准确，重点明确，预期目标得当。303设计方案所选研究方案先进、适当，技术路线严密，措施得当，掌握技术资料准确，可能

18、遇到的问题分析合乎逻辑，可行性好，工作安排合理、紧凑。304开题报告与表达开题报告内容表述清楚、准确，能正确回答问题。105学习态度表现积极主动，学习态度端正。10总 分检查结论 同意开题 不同意开题检查人（小组成员）签字： 年 月 日建议与要求毕I-4注：1 “检查方式”“检查结论”栏内可在相应方框内划“”。2 本表装订入附件册。 毕业设计(论文)中期报告基于粒子群算法的函数优化问题研究院（系） 数理系 专 业 信息与计算科学 班 级 071001 姓 名 张磊 学 号 071001120 导 师 过晓芳 2011年 5月5日1. 设计（论文）进展状况本学期第二周之前收集了粒子群算法的相关资

19、料。清楚了所做论文的主要内容和任务，并且完成了基于粒子群算法的函数优化问题的开题报告。经过一段时间的学习，基本了解了粒子群算法的基本原理和具体流程。完成了基本粒子群算法的Matlab编程代码,并通过实验研究了参数如何设置问题。具体学习内容如下：1.1粒子群算法原理：粒子群算法初始化为一群随机粒子 , 然后通过迭代找到最优解。在每一次迭代中, 粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解。另一个极值是整个种群目前找到的最优解。这个极值是全局极值。假设在一个维的目标搜索空间中，有个粒子组成一个群落，其中第个粒子表示为一个维的向量：，第个粒子的“飞行 ”速度也是一个维的向量，记为

20、：，第个粒子迄今为止搜索到的最优位置称为个体极值，记为：，整个粒子群迄今为止搜索到的最优位置为全局极值，记为：在找到这两个最优值时，粒子根据如下的公式(1)和(2)来更新自己的速度和位置： (1) (2)其中：和为学习因子， 和为0，1范围内的均匀随机数。式(1)右边由三部分组成，第一部分为“惯性”或“动量”部分，反映了粒子的运动“习惯”，代表粒子有维持自己先前速度的趋势；第二部分为“认知”部分，反映了粒子对自身历史经验的“记忆”或“回忆”，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会”部分，反映了粒子间协同合作与知识共享的群体历史经验，代表粒子有向群体或邻域历史最佳位置逼近的趋势

21、，根据经验，通常。是粒子的速度，是常数，由用户设定用来限制粒子的速度。和是介于之间的随机数。1.2基本粒子群算法流程：算法的流程如下： 初始化粒子群，包括群体规模，每个粒子的位置和速度 计算每个粒子的适应度值； 对每个粒子，用它的适应度值和个体极值比较，如果 ，则用替换掉； 对每个粒子，用它的适应度值和全局极值比较，如果则用替； 根据公式（1），（2）更新粒子的速度和位置 ； 如果满足结束条件(误差足够好或到达最大循环次数)退出，否则返回1.3函数测试实验利用Matlab编写出基本粒子群算法代码，选取了以下两个函数进行了基本粒子群算法的测试，通过调整学习因子和惯性权重,求出函数的全局极值（最优

22、解）。第一个函数是Sphere函数：，-10，10 第二个函数是Rastrigrin函数：，-100，100 2. 存在问题及解决措施存在问题：（1）粒子群算法中，各个参数如何设置。（2）如何实现惯性权重自适应的调整。解决措施：（1） 粒子群算法中，主要的参数有：粒子种群大小N；粒子的长度D；学习因子；惯性权重。通过对测试函数在基本粒子群算法中的测试，参数设置总结如下： 粒子种群大小N：较小的种群能充分探索解的空间，避免了过多的适应值评估和计算时间，10个粒子已经足够取得好的结果。粒子的长度D：这是由优化问题决定的，就是问题解的长度。学习因子：实验中通过设置 的值，发现当为1.5和2时，能以最

23、小的迭代次数搜索到最优解。惯性权重：通过实验，让惯性权值随着叠代次数的增加在1. 4到0之间逐步减少可以取得较好的效果。（2）根据种群多样性变化非线性的调整的值。利用下式实现：其中，S(t)为种群多样性指数。3. 后期工作任务及安排准备5月10号的中期答辩。第12周-第14周，在基本粒子群算法的基础上，通过惯性权重自适应的调整对基本粒子群算法进行改进，另外选取几个典型的测试函数，利用改进好的方法，求出全局最优解。第14周-第16周，完成毕业论文撰写。第16周-第17周，修改毕业论文，定稿，打印。第17周-第18周，准备毕业设计答辩。西安工业大学毕业设计（论文）工作中期检查表姓 名张磊专业信息与

24、计算科学班级071001设计（论文）题目基于粒子群算法的函数优化问题研究资料情况选题是否有变化 有 没有中期报告 有 没有英文翻译 优 良 中 差 工作进度 提前完成 按计划完成 没有完成工作态度 认真 一般 不认真工作质量 优 良 中 差 检查结论 通过 延期答辩 终止毕业设计（论文）存在的问题与建议： 指导教师（签名）： 年 月 日注：1 指导教师在相应项目方框内划“”。2 中期检查结果应与是否有资格参加答辩相挂钩。毕II-23 本表装订入毕业设计（论文）附件册。西安工业大学毕业设计（论文）指导教师评分表学生姓名张磊学号071001120班级071001院（系）理学院专 业信息与计算科学设

25、计（论文）题目基于粒子群算法的函数优化问题研究序号评审项目标准满分1业务能力与水平有收集、综合和正确利用各种信息并获取新知识的能力。能应用所学的基础理论与专业知识，独立分析和解决实际问题，完成了任务书规定的任务，软件、硬件设计满足要求，所得结论具有应用或参考价值，工作中有创新意识。302论文质量条理清晰，结构严谨；文笔流畅，语言通顺；方法正确，分析、论证充分；设计、计算正确，工艺可行，设计图纸质量高，标准使用规范；专业名词术语准确。303规 范 化技术材料齐全，论文撰写符合西安工业大学本科毕业设计（论文）撰写规范的要求。204外语水平英文摘要写作水平高，外文翻译符合任务要求。105工作态度严肃

26、认真，刻苦勤奋，善于与他人合作。10总 分 评语：结论： 同意按期答辩 延期答辩 不同意答辩 指导教师： 年 月 日 注：1 指导教师在相应项目方框内划“”。毕III-12 本表装订入毕业设计（论文）附件册中。西安工业大学毕业设计（论文）评阅教师评分表学生姓名张磊学号071001120班 级071001院（系）理学院专业信息与计算科学指导教师过晓芳设计（论文）题目基于粒子群算法的函数优化问题研究序号评审项目指 标满分1选 题体现专业内容；具有实际或理论意义；难易程度合适。102工 作 量完成任务书规定的内容，工作量饱满。 103业务能力与水平有收集、综合和正确利用各种信息并获取新知识的能力。能

27、应用所学的基础理论与专业知识，分析和解决实际问题，完成了任务书规定的任务，软件、硬件设计满足要求，所得结论具有应用或参考价值，工作中有创新意识。304论文质量条理清晰，结构严谨；文笔流畅，语言通顺；方法正确，分析、论证充分；设计、计算正确，工艺可行，设计图纸质量高，标准使用规范；专业名词术语准确。305规 范 化技术材料齐全，论文撰写符合规范要求。106外语水平翻译准确，语句通顺，译文工作量符合任务要求；英文摘要写作水平高。10 总 分 评语：结论： 同意按期答辩 延期答辩 不同意答辩评阅人 ： 年 月 日注：1 指导教师在相应项目方框内划“”。2 本表装订入毕业设计（论文）附件册中。毕III

28、-2西安工业大学毕业设计（论文）答辩暨综合评分表学生姓名张磊学号071001120班级071001院（系）理学院专业信息与计算科学指导教师过晓芳设计（论文）题目基于粒子群算法的函数优化问题研究序号评 审 项 目指 标满分1设计质量所选研究方案先进、适当，技术路线严密；掌握技术资料准确，措施得当，方案得到较好执行，设计成果符合任务要求；具有扎实的专业知识基础，能应用所学的基础理论与专业知识独立分析和解决实际问题；工作量饱满，软件、硬件设计满足要求，所得结论具有应用或参考价值，工作中有创新意识。302内容阐述阐述论文内容思路清新，语言表达准确, 概念清楚，重点突出；方法正确，论据充分，分析归纳合理。303答辩情况回答问题有理论依据，基本概念清楚。主要问题回答准确、深入。204规范性准备工作充分，文件、资料、图纸齐全，符合规范要求，态度端正。20总 分 结论： 答辩成绩： 答辩委员会（小组）负责人： 成 员：年 月 日设计（论文）综合成绩： 系（教研室）负责人签名： 年 月 日 毕III-3注：本表装订入毕业设计（论文）附件册中。