自适应粒子群算法研究及其在多目标优化中应用.docx

编号：时间：2021年x月x日书山有路勤为径学海无涯苦作舟页码：目录第一章绪论31.1本文的。。。。。31.1.1智能优化算法（见智能优化算法及应用P1页）41.1.2三种典型智能优化算法41.1.3粒子群算法与其他算法的异同61.1.4粒子群算法的优劣势及应用（见粒子群算法及其应用）71.2本文的研究背景71.3本文的研究内容8第二章粒子群算法的基本原理和发展现状82.1引言82.2粒子群算法的起源背景82.3粒子群算法的基本思想92.4基本粒子群算法模型与实现122.4.1基本粒子群算法模型122.4.2粒子的运动轨迹分析132.4.3基本粒子群算法的参数设置132.4.4基本粒子群算法流程142.4.5基本粒子群算法的优缺点172.5粒子群算法的研究现状及方向172.5.1粒子群算法的研究现状182.5.2粒子群算法的研究方向192.6粒子群算法的主要应用192.7本章小结21第三章改进的粒子群算法213.1引言213.2改进的粒子群算法综述213.3标准粒子群算法(粒子群算法及应用P19)253.3.1算法思想253.3.2测试函数263.3.3算法测试283.3.4测试结果与算法评估313.4小生境粒子群算法313.4.1算法思想313.4.2算法测试313.4.3测试结果与算法评估313.5自适应调整飞行时间粒子群算法313.5.1算法思想313.5.2算法测试313.5.3测试结果与算法评估313.6本章小结31第四章自适应粒子群算法AFIPSO324.1引言324.2AFIPSO基本思想324.3AFIPSO算法流程334.4AFIPSO实验344.4.1测试函数344.4.2参数选取354.4.3优化结果与结果分析354.5本章小结37第五章AFIPSO在多目标优化问题中的应用375.1引言375.2AFIPSO对多目标函数的优化385.2.1自适应粒子群算法（AFIPSO）385.2.2AFIPSO对多目标函数的优化385.3FCCU分馏塔的多目标优化模型435.4AFIPSO在工程中的应用445.4.1多目标转化为单目标445.4.2AFIPSO智能优化FCCU分馏塔参数调试445.4.3AFIPSO优化FCCU分馏塔结果及其比较分析465.5本章小结47结论47参考文献48攻读硕士期间取得的研究成果53致谢53第一章绪论随着人类生存空间的扩大以及认识世界和改造世界范围的拓宽现实中碰到的许多科学、工程和经济问题呈复杂化、多极化、非线性等特点这就使得高校的优化技术和智能计算成为迫切要求。经典的优化算法通常采用局部搜索方法它们一般与特定问题相关或是局部搜索方法的变形适用于求解小规模且定义明确的问题。而实际工程问题一般规模较大寻找一种适合于大规模并且局域智能特征的算法已成为人们研究的目标和方向。二十世纪八十年代以来涌现了很多新颖的优化算法如：混沌算法、遗传算法GA（GeneticAlgorithm）、蚁群算法ACA（AntColonyAlgorithm）、粒子群算法PSO（ParticleSwarmOptimization）和模拟退火算法SA（）等。它们通过模拟某些自然现象的发展过程而来为解决复杂问题提供了新的思路和手段。由于这些算法构造直观且符合自然机理因而被称为智能优化算法（）。本文的。。。。。智能优化算法是通过模拟某些自然现象的发展过程而形成的算法以结构化和随机化的搜索策略实现算法的优化过程常用于大规模的并行计算。智能优化算法提出后受到了人们的重视其中遗传算法、蚁群算法、粒子群算法作为三种典型智能算法得到迅速发展。1.1.1智能优化算法（见智能优化算法及应用P1页）智能优化算法是通过模拟或揭示某些自然现象或过程发展而来的与普通的搜索算法一样都是迭代算法对问题的数学描述不要求满足可微性、凸性等条件是以一组解（种群）为迭代的初始值将问题的参数进行编码映射为可进行启发式操作的数据结构。算法仅用到优化的目标函数值的信息不必用到目标函数的倒数信息搜索策略是结构化和随机化的（概率型）其优点是：具有全局的、并行的优化性能鲁棒性、通用性强等。智能优化算法的使用范围非常广泛特别适用大规模的并行计算。1.1.2三种典型智能优化算法智能优化算法的应用范围广泛特别适用于大规模的并行计算。通过研究人们先后提出了多种智能优化算法其中遗传算法、蚁群算法、粒子群算法较为典型。1、遗传算法（见粒子群算法及应用P5）1975年Holland[]提出了遗传算法它是由自然界的进化而得到启发的一种有效解决最优化问题的方法。遗传算法是一种全局范围的探索过程在解决复杂问题中它常常能够寻找到最优