【粒子群算法改进及其应用研究13000字】

粒子群算法改进及其应用研究目录MACROBUTTONInsertCrossReference摘要 )式中：k是随机选取的训练集中数据的数量，计算输出与目标t的每一个结果做差求绝对值加和最后再求平均值，以此做为粒子群算法的目标函数fit，通过寻优，寻找表现最好的NN神经网络的参数。（三）使用优化后的神经网络模型预测空气质量指数使用训练集训练30次，选择最好的参数作为最后NN神经网络的各项参数，作出每次的预测结果与目标结果比较图像以及适应度函数图像，使用测试集查看预测结果并于传统粒子群算法优化的结果做比较。1.使用改进后粒子群算法优化参数的NN神经网络的预测结果使用改进粒子群算法预测的结果这里选取三十次中有代表性的三张，分别是前期中期与后期的目标结果的预测对比图像，如图4-3所示。图4-3训练中的神经网络模型部分预测对比图1图4-3、4-4、4-5、4-6中，橙线val_output代表训练的神经网络模型预测的空气质量指数变化图，蓝线val_y代表真实的空气质量指数变化图。使用测试集预测两次的结果图如图4-4所示。图4-4训练后神经网络模型的预测结果对比图1图4-4可以看出在训练三十次之后，I-PSO算法优化参数的NN神经网络模型已经能作出较为准确的预测，空气质量指数曲线的峰值位置基本一致。2.使用传统粒子群算法优化参数的NN神经网络的预测结果传统粒子群算法优化神经网络参数的预测结果同样也分为在训练集的预测和测试集的预测，由于传统粒子群算法在迭代一次之后，全局最优没有再发生改变，故训练中的预测结果只有两种图，如图4-5所示。图4-5训练中神经网络模型的部分预测结果图2用训练好的神经网络预测测试集的空气质量指数，得到的结果如图4-6所示，可以看出虽然峰值位置大致相同，但是数据相差过大的情况较多，曲线较图4-4也没有那么拟合。图4-6训练后神经网络模型的预测结果对比图23.数据分析与对比由图4-7可以看出，两种算法优化后神经网络模型预测的适应度曲线变化中，I-PSO明显更新次数比PSO多，精度和速度也更好。图4-7两种算法优化后神经网络模型训练集中预测的适应度值比较两种算法优化后神经网络模型每次的参数带入测试集中的适应度曲线变化如图4-8。图4-8两种算法优化后神经网络模型测试集中预测的适应度值比较两种算法优化参数之后神经网络模型的预测的适应度最终值与最小值如表4-1所示。表4-1训练和测试过程中的最小值和最终值算法PSOI-PSOMinimumtrain0.255716669570.24545112482Minimumtest0.209252185950inaltrain0.255716669570.24545112482Finaltest0.209252185950过图4-7、图4-8和表4-1，我们可以得出：就过程来看，改进后算法的更新次数多，收敛精度好，改进后算法优化后的神经网络在预测时的适应度曲线存在一定程度的回升；就结果来看，改进后算法的精度更高，预测的结果更准确。天津大学硕士学位论文 MACROBUTTONAcceptAllChangesInDoc[此处键入中文论文题目]五、总结与展望（一）本论文所做工作总结针对粒子群算法本身的缺陷，本文提出了几种改进方案，通过仿真分析决定最终方案，完成改进粒子群算法。做实验仿真证明改进后粒子群算法比其他优化算法的性能更好之后，应用其解决现实中的问题。本文使用的几种改进粒子群算法的方案如下：消去速度变量；加入莱维飞行步数；惯性权重采用线性微分法更新；加入极值扰动算子。主要完成了以下工作：研究传统粒子群算法的基础理论和缺陷，针对其缺陷提出改进方案；研究改进方案的可行性，尝试性的加入改进方案并选择效果更好的作为最终方案；做目标函数三维图，对改进后粒子算法进行实验仿真，作适应度曲线，并与其他算法作结果比较；学习NN神经网络，搭建NN神经网络预测空气质量指数的模型并加入改进前与改进后粒子群算法优化NN神经网络的参数；使用改进前后粒子群算法优化参数的NN神经网络进行训练并预测空气质量指数，证明改进后粒子群算法拥有良好的性能与实用性；完成前述工作中在Pycharm中的代码实现。（二）进一步研究设想与展望针对粒子群算法的改进后期研究工作中，发现了许多问题，时间有限，还有一些展望：改进后粒子群算法的运行时间较长，在与改进前粒子群算法优化NN神经网络优化模型预测空气质量指数预测中，改进后粒子群算法优化的神经网络的运行时间是改进前的两倍；改进后粒子群算法的收敛速度和精度虽然对比GA、CS、PSO等算法要快，但是仍然存在部分函数收敛速度不够快的问题。在预测空气质量指数的过程中，改进后算法求得的参数在训练集中表现较好，虽然最终预测的结果是比传统粒子群算法优化的NN神经网络预测值要好，但是在测试集中预测的值在迭代过程中有偏离正确方向的迹象，这是还需要考虑的问题。参考文献EberhartRC,ShiY.Comparinginertiaweightsandconstrictionfactorsinparticleswarmoptimization[C].Proceedingsofthe2000CongressonIEEEEvolutionaryComputation,2002,1(1):84-88.KennedyJ.Barebonesparticleswarms[C].SwarmIntelligenceSymposium,2003:80-87.胡旺,李志蜀.一种更简化而高效的粒子群优化算法[J].软件报,2007(04):861-868.夏学文,刘经南,高柯夫,等.具备反向学习和局部学习能力的粒子群算法[J].计算机学报,2015,38(07):1397-1407.居凤霞.粒子群优化算法的改进及应用[D].华南理工大学,2014.王皓,欧阳海滨,高立群.一种改进的全局粒子群优化算法[J].控制与决策,2016,31(07):1161-1168.王东风,孟丽.粒子群优化算法的性能分析和参数选择[J].自动化学报,2016,42(10):1552-1561.ChenY,LiL,PengH,etal.Dynamicmulti-swarmdifferentiallearningparticleswarmoptimizer[J].SwarmandEvolutionaryComputation,2018(39):209-221.徐利锋,黄祖胜,杨中柱,等.引入多级扰动的混合型粒子群优化算法[J].软件学报,2019,30(06):1835-1852.季伟东,徐浩天,林平.自适应变异粒子群优化算法及在新冠肺炎疫情传播预测中的应用[J].小型微型计算机系统,2021,42(03):472-477.AngelinePJ.Evolutionaryoptimizationversusparticleswarmoptimization:Philosophyandperformancedifferences[J].LectureNotesinComputerScience,1998:601-610.高鹰,谢胜利.基于模拟退火的粒子群优化算法[J].计算机工程与应用,2004(01):47-50.李玉毛.粒子群算法的研究及改进[D].西北大学,2009.张水平,仲伟彪.改进学习因子和约束因子的混合粒子群算法[J].计算机应用研究,2015,32(12):3626-3628+3653.刘浩然,崔静闯,卢泽丹,等.一种改进的雁群扩展粒子群算法研究[J].计量学报,2019,40(03):498-504.Reyes-SierraM,CoelloCAC.Multi-objectiveparticleswarmoptimizers:Asurveyofthestate-of-the-art[J].Internationaljournalofcomputationalintelligenceresearch,2006,2(3):287-308.徐慧.粒子群优化算法改进及其在煤层气产能预测中的应用研究[D].中国矿业大学,2013.李明伟.混沌云粒子群混合优化算法及其在港口管理中的应用研究[D].大连理工大学,2013.王博.改进的粒子群算法在商业网点选址中的应用[D].兰州交通大学,2014.程声烽,程小华,杨露.基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J].电力系统保护与控制,2014,42(19):37-42.孟庆宽,张漫,杨耿煌,等.自然光照下基于粒子群算法的农业机械导航路径识别[J].农业机械学报,2016,47(06):11-20.吕明珠,苏晓明,陈长征,等.改进粒子群算法优化的支持向量机在滚动