本站原创
摘要：粒子群算法是模拟自然界群体行为和智慧的一种随机全局性搜索算法.由于该算法具有内在的并行性、鲁棒性、操作简单、所需参数少等优点,所以受到广泛地关注,并运用于科学,工程等领域.然而该算法在求解高维复杂不足时,容易陷入局部最优,而早熟收敛.由此本论文讨论了粒子群算法的改善及运用.针对标准粒子群算法在迭代历程中没有考虑当前粒子适应度和位置的变化.使部分粒子的个体认知能力可能会在一段时间无法提升,以而影响算法的收敛速度及求解精度,本论文提出了双评价粒子群算法.该算法首先比较了当前粒子与迭代前粒子适应度和位置的变化.其次运用遗传算法中的变异思想对适应度和位置都劣于迭代前的粒子进行了变异,提升粒子的个体认知能力.最后用八个标准函数测试了算法,实验结果表明双评价粒子群算法不仅加速了收敛速度还提升了求解精度.背包不足是典型的组合优化不足.广泛运用于资本预算、资源分配等实际不足.由于背包不足是NP难不足.所以精确算法的计算复杂性随着不足规模的增加而指数增加.由此,本论文运用双评价粒子群算法求解了背包不足.数值结果表明双评价粒子群算法可以得到理想的结果.关键词：粒子群算法论文智能算法论文遗传算法论文背包不足论文组合优化论文
摘要3-4
Abstract4-6
第1章 绪论6-18
1.1 引言6
1.2 粒子群算法综述6-16
1.3 本论文安排及主要工作16-18
第2章 双评价粒子群算法18-32
2.1 双评价粒子群算法18-19
2.2 测试函数19-20
2.3 实验与数值浅析20-32
第3章 双评价粒子群算法求解背包不足32-40
3.1 引言32
3.2 背包不足的定义和数学模型32-33
3.3 求解背包不足的常用算法33-35
3.4 实验与数值浅析35-40
总结40-42