高級認知粒子群最佳化模型及套用

《高級認知粒子群最佳化模型及套用》是依託安徽工業大學，由申元霞擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：高級認知粒子群最佳化模型及套用
• 項目類別：青年科學基金項目
• 項目負責人：申元霞
• 依託單位：安徽工業大學

項目摘要

粒子群最佳化(Particle Swarm Optimization,PSO)算法是一種在鳥、魚和人類社會行為規律啟發下的群體智慧型範式。目前，PSO仍存在早熟和晚熟的收斂性缺陷。本項目擬在分析PSO行為特性的基礎上，借鑑現代認知心理學理論，從非社會信息加工模型的新視角，構建粒子的高級認知行為以提高其在複雜動態環境下的自適應性。通過建立粒子的環境感知模組、注意模組、模式識別模組和策略決策模組來設計自適應的信息加工機制，同時引入拉馬克學習方法和建立多尺度學習機制，提出具有全局收斂能力的高級認知PSO計算模型，並利用Copula、隨機過程、統計分析等方法研究粒子的運動行為、算法收斂性、計算複雜性及學習參數選取等理論基礎。將新模型套用於無線感測網路部署，為該類問題提供全局最佳化方法。本項目從算法的創新設計、理論分析及套用三個方面的系統性研究成果不僅具有科學價值，且在工程技術領域具有廣闊的套用前景。

結題摘要

粒子群最佳化(Particle Swarm Optimization, PSO)算法在求解複雜問題時存在早熟和晚熟問題，針對該問題國內外學者已做了大量的研究。但是在保持算法簡潔結構的前提下，同時避免算法的早熟和晚熟仍是PSO一個富有挑戰性的問題。本項目首先分析了粒子的認知特性對種群多樣性的影響，給出學習參數的機率分布與種群多樣性之間的關係式；依據理論分析，提出了雙學習模式PSO，該算法通過調整學習參數的機率特性控制群體的多樣性。新算法不僅提高了最佳化性能同時保持了算法的簡潔結構。接著發現骨幹PSO收斂速度快但也易陷入早期收斂。對骨幹PSO的運動行為做了理論分析，並獲得了粒子的採樣方差和群體中pbest的多樣性與種群期望的關係式。依據理論分析，提出了並行協作骨幹PSO，該算法在保持收斂精度的情況下大大加快了收斂速度。為了減少計算量和進一步增強群體的逃逸能力，提出了層次骨幹PSO算法。最後將層次骨幹PSO算法求解約束最佳化、動態最佳化和圖像處理等問題，並取得良好的效果。