粒子群算法(优化算法)毕业设计毕设论文(包括源代码实验数据-截图-很全面的)[1]【精品文档】(完整版)
天津大学本科生毕业设计(论文)-刘佳——3007218010
毕业设计（论文）说明书学院软件学院专业软件工程年级2007 级姓名刘佳指导教师张亚平年月日毕业设计（论文）任务书题目：网络安全评估模型设计学生姓名刘佳学院名称软件学院专业软件工程学号3007218010指导教师张亚平职称副教授一、原始依据在全球范围内的数字化快速发展，各种计算机技术、互联网技术迅猛发展的环境下，社会各方面的信息化进程都逐步加快，各行各业也都在随着技术的进步，不断改善管理方式和手段。
目前，为了适应快速的网络发展，更好的为社会、经济和公众服务，我国近年来对网络安全管理系统的发展给予了越来越多的关注。
网络安全管理系统是整个网络系统非常重要的组成部分，其安全性、稳定性、一致性等各个方面的要求比一般的信息系统要高很多，它在确保网络安全的工作中有很重要的地位和意义。
1999年发布的GB17859-1999（计算机信息系统安全保护等级划分准则），规定了计算机信息系统安全保护能力的五个等级：第一级-用户自主保护级，第二级-系统审计保护级，第三级-安全标记保护级，第四级-结构化保护级，第五级-访问验证保护级。
该标准适用于计算机信息系统安全保护技术能力等级的划分，计算机信息系统安全保护能力随着安全保护等级的增高逐渐增强。
2001年3月，发布了GB18336-2001（信息技术安全技术信息技术安全性评估准则），该标准等同于采用国际标准ISO/IEC15408研究条件：求权重的整个过程，充分结合区间AHP，粒子群算法，区间数广义x^ 2 法三种方法的优点，而且对于一致性的问题也做了详细的判断和调整，比以往单纯使用某一种算法或者对一致性问题的忽略，能得到更贴近实际而有效的权重结果，并相应减少运算时间。
二、参考文献[1 ] Richard Steven W. TCP/ IP 详解(卷1) :协议. 范建华,胥光辉译. 北京:机械工业出版社,2000. 9～10[2 ] (美) 匿名. 网络安全技术内幕. 前导工作室译. 北京:机械工业出版社,1999. 105[3 ] 杨守君. 黑客技术与网络安全. 北京:中国对外翻译出版公司,2000. 145～207[4 ] Levary R , Wan K. An analytic hierarchy process based simulation model for entry mode decision regarding foreign direct investment[J ] . Omega ,1999 ,27(6) :661 - 677.[ 5 ] Finan J , Hurley W. Analytic hierarchy process : Does adjusting a pair wise comparison matrix to improve the consistency ratio help ? [J ] . Computers &Operations Research ,1997 ,24(8) :749 - 755.[6 ] Kennedy J , Eberhart R. Particle swarm optimization[A] . Proc. IEEE Int’l. Conf . on Neural Networks , IV , Piscataway , NJ :IEEE Service Center , 1995. 1942 - 1948.[7 ] Eberhart R , Shi Y. Particle swarm optimization : developments , applications and resources[A] . Proc. Congress on Evolutionary Computation 2001 , Piscataway , NJ : IEEE Service Center , 2001. 81 - 86.三、设计（研究）内容和要求具体的研究内容如下：（1）信息系统安全评估相关标准的发展状况、应用情况，以及本文中采用的安全标准的介绍。
粒子群算法的研究现状及其应用
智能控制技术课程论文中文题目: 粒子群算法的研究现状及其应用姓名学号:指导教师：年级与专业：所在学院：XXXX年XX月XX日1 研究的背景优化问题是一个古老的问题，可以将其定义为：在满足一定约束条件下，寻找一组参数值，使系统的某些性能指标达到最大值或最小值。
在我们的日常生活中，我们常常需要解决优化问题，在一定的范围内使我们追求的目标得到最大化。
为了解决我们遇到的最优化问题，科学家，们进行了不懈的努力，发展了诸如牛顿法、共轭梯度法等诸多优化算法，大大推动了优化问题的发展，但由于这些算法的低运行效率，使得在计算复杂度、收敛性等方面都无法满足实际的生产需要。
对此，受达尔文进化论的影响，一批新的智能优化算法相继被提出。
粒子群算法（PSO ）就是其中的一项优化技术。
1995 年Eberhart 博士和Kennedy 博士[1]-[3]通过研究鸟群捕食的行为后，提出了粒子群算法。
设想有一群鸟在随机搜索食物，而在这个区域里只有一块食物，所有的鸟都不知道食物在哪里。
那么找到食物最简单有效的办法就是鸟群协同搜寻，鸟群中的每只鸟负责离其最近的周围区域。
粒子群算法是一种基于群体的优化工具，尤其适用于复杂和非线性问题。
系统初始化为一组随机解，通过迭代搜寻最优值，通过采用种群的方式组织搜索，同时搜索空间内的多个区域，所以特别适合大规模并行计算，具有较高的效率和简单、易操作的特性。
目前使用的粒子群算法的数学描述[3]为：设粒子的寻优空间是m 维的，粒子的数目为ps ，算法的最大寻优次数为Iter 。
第i 个粒子的飞行速度为T i i1i2im v [v v ]= ,,,v ，位置为T i i1i2im x [x x x ]= ,,,，粒子的个体极值T i i1i2im Pbest [,]P = ,P ,P ，全局极值为T i i1i2im Gbest [,]g = ,g ,g 。
粒子群算法的寻优过程主要由粒子的速度更新和位置更新两部分组成，其更新方式如下：i+11122v ()()i i i i i v c r Pbest x c r Gbest x =+−+−；i+1i+1i x x v =+，式中：12c c ，为学习因子，一般取2；12r r ，是均与分布着[0,1]上的随机数。
粒子群优化算法(详细易懂_很多例子)
惯性权重
1998年，Shi和Eberhart引入了惯性权重w，并提出动态调整惯性权重以平衡收敛的全局性和收敛速度，该算法被称为标准PSO算法 惯性权重w描述粒子上一代速度对当前代速度的影响。w值较大，全局寻优能力强，局部寻优能力弱；反之，则局部寻优能力强。当问题空间较大时，为了在搜索速度和搜索精度之间达到平衡，通常做法是使算法在前期有较高的全局搜索能力以得到合适的种子，而在后期有较高的局部搜索能力以提高收敛精度。所以w不宜为一个固定的常数。
单击此处可添加副标题
粒子群算法的思想源于对鸟群捕食行为的研究． 模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。 马良教授在他的著作《蚁群优化算法》一书的前言中写到： 大自然对我们的最大恩赐！ “自然界的蚁群、鸟群、鱼群、 羊群、牛群、蜂群等，其实时时刻刻都在给予 我们以某种启示，只不过我们常常忽略了 大自然对我们的最大恩赐！......”
社会经验部分
前次迭代中自身的速度
自我认知部分
粒子的速度更新主要由三部分组成：
c1,c2都不为0，称为 完全型粒子群算法
完全型粒子群算法更容易保持收敛速度和搜索效果的均衡，是较好的选择．
粒子群算法的构成要素-最大速度
添加标题
第1步 在初始化范围内，对粒子群进行随机初始化，
添加标题
第5步 更新粒子的速度和位置，公式如下．
添加标题
第3步 更新粒子个体的历史最优位置．
添加标题
第6步 若未达到终止条件，则转第2步．
添加标题
包括随机位置和速度．
添加标题
第4步 更新粒子群体的历史最优位置．
初始位置：
路径规划的主要算法与展望-应用数学论文-数学论文
路径规划的主要算法与展望-应用数学论文-数学论文——文章均为WORD文档，下载后可直接编辑使用亦可打印——摘要：路径规划算法是智能领域中一项新兴的关键支撑技术；依据路径规划算法的实现原理，将其分为进化型算法与非进化型算法；再依据数学特征将非进化型算法细分为经典数学与几何图论两类；针对每类算法，分别从发展背景、设计思想、优缺点、改进与发展等方面简要归纳分析；最后对路径规划算法的未来发展趋势进行展望。
关键词：路径规划; 进化型算法; 非进化型算法; 未来展望;Summary of Path Planning AlgorithmsLIANG Xiao-hui MU Yong-hui WU Bei-hua JIANG YuShijiazhuang Campus of Army Engineering UniversityAbstract：Path planning algorithm is an emerging key supporting technology in the field of intelligence; According to the implementation principle of path planning algorithm, it is divided into evolutionary algorithm and non-evolutionary algorithm; Then based on the mathematical characteristics, the non-evolutionary algorithm can be divided into two types: classical mathematics and geometric graph theory; For each type of algorithm, the paper will give a brief summary and analysis from some aspects: the background of development,design ideas, advantages and disadvantages, improvement. Finally the future development trend of the path planning algorithm is forecasted.0 引言路径规划（Path Planning)[1]是智能技术中的热点研究问题，已在多领域有所突破并成功得以应用。
毕业生优秀毕业论文(设计)公示名单
2009311642
郭昱杉
税务专业（注册税务师方向）
梁俊娇
27
开放经济下出口退税与全要素生产率的关联度—基于中国入世后省际面板数据的实证分析
2009311606
王蔚
税务专业（国际税收方向）
杨志清
28
房产税作用机制分析与政策建议
2009311616
朱姝
税务专业（国际税收方向）
2009311821
邱志德
公共事业管理
姜玲
71
基于水资源利用相对效率的北京水资源分类管理研究
2009311824
黄道涵
公共事业管理
邢华
72
中东变局中扩展权势的海合会崛起原因与影响探究
2009312127
李承颖
国际政治
张晓阳
73
试析日本“钟摆外交”的成因
2009312129
李松霖
国际政治
罗文静
74
我国区域体育产业发展影响因素分析
2009310730
侯庆夕
人力资源管理
严力群
54
领导者性别角色对其领导风格及下属工作满意度的影响
2009310758
秦丹妮
人力资源管理
王震
55
基于聚类分析和Baumol-Wolfe模型的配送中心选址优化：以G企业为例
2009310844
黄婉
物流管理
晏妮娜
56
RFID供应链中两级博弈分析及利益分配研究
吴霖
房地产经营与管理
戴学珍
64
航空公司飞行员发展规划研究
2009312041
沈祥坤
管理科学
贾传亮
粒子群优化算法PPT上课讲义
02
ALGORITHM PRINCIPLE
算法原理
02 算法原理
抽象
鸟被抽象为没有质量和体积的微粒(点)，并延伸到N维空间，
粒子I 在N维空间的位置表示为矢量Xi＝(x1，x2，…，xN)，飞行速 度表示为矢量Vi＝(v1，v2，…，vN)．每个粒子都有一个由目标函
数决定的适应值(fitness value)，并且知道自己到目前为止发现的
01 算法介绍
PSO产生背景之二：人工生命
研究具有某些生命基本特征的人工系统。包括两方面的内容： 1、研究如何利用计算技术研究生物现象； 2、 研究如何利用生物技术研究计算问题。
我们关注的是第二点。已有很多源于生物现象的计算技巧，例如 神经网络和遗传算法。 现在讨论另一种生物系统---社会系统：由简 单个体粒子群优化算法PPT
01
ALGORITHM INTRODUCTION
算法简介
粒子群算法
设想这样一个场景：一群鸟在随 机搜索食物。在这个区域里只有 一块食物。所有的鸟都不知道食 物在那里。但是他们知道当前的 位置离食物还有多远。那么找到 食物的最优策略是什么呢？
最简单有效的就是搜寻目前离食 物最近的鸟的周围区域。
01 算法介绍
01 算法介绍
PSO产生背景之一:CAS
我们把系统中的成员称为具有适应性的主体(Adaptive Agent)，简称为主体。所谓具有适应性，就是指它能够 与环境以及其它主体进行交流，在这种交流的过程中 “学习”或“积累经验”，并且根据学到的经验改变自 身的结构和行为方式。整个系统的演变或进化，包括新 层次的产生，分化和多样性的出现，新的、聚合而成的、 更大的主体的出现等等，都是在这个基础上出现的。即 CAS（复杂适应系统）理论的最基本思想
电气自动化毕业设计论文8000字左右范文
论文题目：电机驱动系统的数字化控制及性能优化研究摘要本文主要研究了电机驱动系统的数字化控制及性能优化。
首先介绍了电机驱动系统的基本组成、工作原理和发展趋势，然后详细探讨了数字化控制的基本概念、电机驱动系统的数字控制器设计以及数字化控制在电机驱动系统中的应用实例。
接下来，文章分析了电机驱动系统的性能指标，并基于模型预测控制、遗传算法和粒子群优化分别进行了电机驱动系统的优化研究。
最后通过案例分析和仿真验证了所提方法的有效性。
本文的研究有助于提升电机驱动系统的控制精度和运行效率，对于推动相关领域的技术发展具有一定的理论和实际意义。
关键词：电机驱动系统；数字化控制；性能优化；模型预测控制；遗传算法；粒子群优化目录第1章绪论 (1)1.1 研究背景与意义 (1)1.2 国内外研究现状 (1)1.3 论文的主要研究内容和结构 (1)第2章电机驱动系统概述 (2)2.1 电机驱动系统的基本组成 (2)2.2 电机驱动系统的工作原理 (2)2.3 电机驱动系统的发展趋势 (2)第3章电机驱动系统的数字化控制技术 (3)3.1 数字化控制的基本概念 (3)3.2 电机驱动系统的数字控制器设计 (3)3.3 数字化控制在电机驱动系统中的应用实例 (3)第4章电机驱动系统的性能优化方法 (4)4.1 电机驱动系统的性能指标分析 (4)4.2 基于模型预测控制的电机驱动系统优化 (4)4.3 基于遗传算法的电机驱动系统优化 (4)4.4 基于粒子群优化的电机驱动系统优化 (4)第5章案例分析与仿真验证 (5)5.1 案例描述 (5)5.2 控制策略的仿真建模 (5)5.3 仿真结果与分析 (5)第6章结论与展望 (6)6.1 主要研究成果总结 (6)6.2 存在的问题与未来研究方向 (6)致谢 (7)第1章绪论1.1 研究背景与意义随着工业自动化和智能化水平的不断提升，电机驱动系统作为众多机械设备的核心部件，其控制精度和运行效率对整个系统的性能至关重要。
2010年江苏省普通高等学校本专科优秀毕业设计(论文)评选获奖名单1
刘进
模糊与粗糙集研究:几类新的模糊正规子群
曹姝
FDI对我国高新技术产品出口竞争力影响分析
何建莹
城市更新建筑与景观设计—青岛小港湾滨海景观设计 李萌
基于改进模糊聚类的脑部磁共振图像分割方法研究与实 现
蒋超
学生姓名
第4页 共36页
指导教师姓名 阮新波 陈松灿 刘冰 袁慎芳 左敦稳 陈柏 陆珩瑱 崔一平 徐青山 吴刚 滕玉明 舒赣平 罗翔、何农跃 王鑫 张东旭 沈雷 廖祖华 李晓钟 史明 蔡利梅
朱礼成
滨河景观带设计
羊娟娟
中式寿宴设计与制作
李金龙
互动传媒《SOGO校园》消费资讯导航报创业计划书
周井
学生姓名
第2页 共36页
指导教师姓名 陈志强 范元勋 吕青、李彩霞 连冬花 唐洪武 施国庆 盛玉刚 丁彦芬 杨震 吴斌 刘承华 李金贵 王灿明、季燕 蔡建军、杜伟略 陆荣、奚小网 孙燕华、唐立平 王杰 张菲 陈金标 袁玉玲
顾静
淮安市白酒市场细分变量与策略研究
王珊珊
无线传感器网络技术在设施农业智能化中的应用研究 张浩
邳州城北污水处理厂工艺设计
丁肖立
钟摆式高楼自助逃生装置
刘啸
非圆对称部分相干平顶光束在大气湍流中的传输因子 丁 杰
汉语元音F1-F2共振峰结构及聚类特性分析、转换
朱春雷
RFI高性能双马来酰亚胺-三嗪环树脂复合材料的研究 廖凡
伽玛射线暴的时变和能谱分析
王鑫
富有雄心而又现实的政策——戴高乐欧洲政策（19581969）简析
孙一先
固定床固体碱催化酯交换反应动力学研究
肖洋
宋黎明 许钧 肖国民
钢筋在混凝土模拟孔溶液中的钝化和锈蚀行为研究
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
毕业论文
题目粒子群算法及其参数设置专业信息与计算科学
班级计算061
学号3060811007
学生xx
指导教师徐小平
2010年
I
粒子群优化算法及其参数设置
专业：信息与计算科学
学生： xx
指导教师：徐小平
摘要
粒子群优化是一种新兴的基于群体智能的启发式全局搜索算法，粒子群优化算法通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。
它具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已经成为发展最快的智能优化算法之一。
论文介绍了粒子群优化算法的基本原理，分析了其特点。
论文中围绕粒子群优化算法的原理、特点、参数设置与应用等方面进行全面综述，重点利用单因子方差分析方法，分析了粒群优化算法中的惯性权值，加速因子的设置对算法基本性能的影响，给出算法中的经验参数设置。
最后对其未来的研究提出了一些建议及研究方向的展望。
关键词：粒子群优化算法；参数；方差分析；最优解
II
Particle swarm optimization algorithm and its
parameter set
Speciality: Information and Computing Science
Student: Ren Kan
Advisor: Xu Xiaoping
Abstract
Particle swarm optimization is an emerging global based on swarm intelligence heuristic search algorithm, particle swarm optimization algorithm competition and collaboration between particles to achieve in complex search space to find the global optimum. It has easy to understand, easy to achieve, the characteristics of strong global search ability, and has never wide field of science and engineering concern, has become the fastest growing one of the intelligent optimization algorithms. This paper introduces the particle swarm optimization basic principles, and analyzes its features. Paper around the particle swarm optimization principles, characteristics, parameters settings and applications to conduct a thorough review, focusing on a single factor analysis of variance, analysis of the particle swarm optimization algorithm in the inertia weight, acceleration factor setting the basic properties of the algorithm the impact of the experience of the algorithm given parameter setting. Finally, its future researched and prospects are proposed.
Key word：Particle swarm optimization; Parameter; Variance analysis; Optimal solution
III
目录
摘要 (II)
Abstract ............................................................................................................................. I II 1.引言. (1)
1.1 研究背景和课题意义 (1)
1.2 参数的影响 (1)
1.3 应用领域 (2)
1.4 电子资源 (2)
1.5 主要工作 (2)
2.基本粒子群算法 (3)
2.1 粒子群算法思想的起源 (3)
2.2 算法原理 (4)
2.3 基本粒子群算法流程 (5)
2.4 特点 (6)
2.5 带惯性权重的粒子群算法 (7)
2.7 粒子群算法的研究现状 (8)
3.粒子群优化算法的改进策略 (9)
3.1 粒子群初始化 (9)
3.2 邻域拓扑 (9)
3.3 混合策略 (12)
4.参数设置 (14)
4.1 对参数的仿真研究 (14)
4.2 测试仿真函数 (15)
4.3 应用单因子方差分析参数对结果影响 (33)
4.4 对参数的理论分析 (34)
5结论与展望 (39)
致谢 (43)
附录 (44)
IV
1 1.引言
1.1 研究背景和课题意义
“人工生命”是来研究具有某些生命基本特征的人工系统。
人工生命包括两方面的内容：
1、研究如何利用计算技术研究生物现象。
2、研究如何利用生物技术研究计算问题。
现在已经有很多源于生物现象的计算技巧。
例如，人工神经网络是简化的大脑模型。
遗传算法是模拟基因进化过程的。
现在我们讨论另一种生物系统- 社会系统。
也可称做“群智能”(swarm intelligence)。
这些模拟系统利用局部信息从而可能产生不可预测的群体行为。
粒子群优化算法(PSO) 也是起源对简单社会系统的模拟。
最初设想是模拟鸟群觅食的过程。
但后来发现PSO 是一种很好的优化工具。
优化是科学研究、工程技术和经济管理等领域的重要研究课题。
粒子群优化算法[1] (简称PSO)是由Kennedy 和Eberhart 通过对鸟群、鱼群和人类社会某些行为的观察研究，于1995年提出的一种新颖的进化算法。
虽然PSO 算法发展迅速并取得了可观的研究成果,但其理论基础仍相对薄弱，尤其是算法基本模型中的参数设置和优化问题还缺乏成熟的理论论证和研究。
鉴于PSO 的发展历史尚短，它在理论基础与应用推广上都还存在一些缺陷，有待解决。
本文通过对PSO 算法的步骤的归纳、特点的分析，利用统计中的方差分析，通过抽样实验方法，论证了该算法中关键参数因子:惯性权值、加速因子对算法整体性能的影响效果，并提出了参数设置的指导原则，给出了关键参数设置，为PSO 算法的推广与改进提供了思路。
1.2 参数的影响
标准粒子群算法中主要的参数变量为w （惯性权值），1c ，2c （加速因子），m ax v ，本文重点对参数w ，1c ，2c 做数据统计实验。
包括w 不变的情况下通过1c ，2c 变化找出加速因子对算法的影响。
还有保持1c ，2c 不变对w 分别取不同值分析其对算法结果影响。