毕业答辩-一种改进的粒子群算法.pptx

我们毕业啦其实是答辩的标题地方,一种改进的粒子群算法,答辩人,指导老师,研究目的,研究背景,研究方法,研究结果,论文总结,CONTANTS,研究目的,研究背景,研究方法,研究结果,论文总结,“,”,将社会学习机制引入PSO算法中从而优化PSO算法，提高搜索精度，定义为SL-PSO，同时在优化的过程中减少搜索范围，从而提高收敛速度，定义为ISL-PSO。本文的重点就是提高优化粒子群算法的收敛速度，进一步优化PSO，从而提高最优解的质量以及寻找最优解的速度。,研究目的,研究背景,研究方法,研究结果,论文总结,粒子群算法的运动状态,引进权重w后，修改的速率公式：vi=wvi+c1r1pbestipresenti+c2r2gbestpresenti(2-2）粒子位置公式:presenti=presenti+vi（2-3）c1、c2：加速常数(学习因子)，规定粒子的运动加速状态；r1、r2：随机数；vi：第i个粒子的速度；presenti：粒子的当前位置；pbesti：单个粒子最优位置；gbest：全局粒子最优位置；w：权重。,研究目的,研究背景,研究方法,研究结果,论文总结,粒子群算法的流程Pbest:局部最优Gbest:全局最优,研究目的,研究背景,研究方法,研究结果,论文总结,社会学习机制个体与其他个体或群体间的相互作用获得的各种行为，知识经验等的学习方式。例如模仿,引进权重w后，修改的速率公式：vi=wvi+c1r1pbestipresenti+c2r2gbestpresenti(2-2）粒子位置公式:presenti=presenti+vi（2-3）c1、c2：加速常数(学习因子)，规定粒子的运动加速状态；r1、r2：随机数；vi：第i个粒子的速度；presenti：粒子的当前位置；pbesti：单个粒子最优位置；gbest：全局粒子最优位置；w：权重。,研究背景,研究方法,研究结果,社会学习机制,SL-PSO,将社会学习机制引入粒子群算法中产生的一个完全不同的PSO变体，称为社会学习粒子群算法.,研究目的,论文总结,社会学习成为个体与环境中的其他个体或群体间的相互作用获得的各种行为的学习方式.,研究背景,研究方法,研究结果,研究目的,论文总结,群体p(t)会进行排列每个粒子将通过向更好的适应度值的那些粒子（演示者）进行学习来校正行为，同经典PSO中的构成类似，SL-PSO的初始化了包含有m个粒子的群P(t)，其中m是群体大小，t是生成索引。对于P(t)中的每个粒子i而言，它保存着随机初始化的决策向量（行为向量）Xi(t)，其表示优化问题中的候选解。每个粒子将被分配一个从(x)中计算出的固定值即适应度值。然后将这个值按照从大到小的方式进行排序从而实现对群体进行的分类。因此，每个粒子（除了具有最佳适应度值的粒子）将通过向具有更好的适应度值的那些粒子（演示者）进行学习来校正其行为。步骤如图所示,研究背景,研究方法,研究结果,研究目的,论文总结,更新学习者的粒子，如果该粒子为群体中的最优秀的那个，则不需要更新。,研究背景,研究方法,研究结果,问题讨论,研究目的,论文总结,SL-PSO算法流程图,模仿示威者，更新粒子的位置和速度，就是粒子进行社会学习的过程。,研究背景,研究方法,研究结果,研究目的,论文总结,ISL-PSO的更改方式center是全局极值，pwin是个体极值，p是当前粒子的位置。M是粒子群体center=ones(m,1)mean(p);P_A=p(m,:);P_B=p(m1,:);P_C=p(m2,:);p_new=(PA+PB+PC)/3;center_new=ones(m,1)p_new;,参数设置,研究目的,研究背景,研究方法,研究结果,论文总结,ISL-PSO在f1-f12上的各种数值,研究背景,研究方法,研究结果,研究目的,论文总结,ISL-PSO的性能测试,研究背景,研究方法,研究结果,研究目的,论文总结,ISL-PSO的收敛时间测试,研究背景,研究方法,研究结果,研究目的,论文总结,PSO变体,ISL-PSO在f1函数上的性能评估图,问题讨论,研究结果,研究背景,研究方法,论文总结,A,B,C,SL-PSO,ISL-PSO,研究目的,为了通过将社会学习机制引入PSO从而对PSO进行优化，我们提出了SL-PSO的概念,为了解决SL-PSO算法收敛速度慢的问题，我们通过缩小搜索范围