粒子群算法在弹体中的运用范文

本站小编为你精心准备了粒子群算法在弹体中的运用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《计算机工程与应用杂志》2014年第十四期

1一种基于混沌和变异的粒子群优化算法——CMPSO

1.1混沌优化算法的优势因为混沌运动[4-5]具有遍历性、随机性、“规律性”等特点，混沌运动能在一定范围内按其自身的“规律”不重复地遍历所有状态。混沌优化方法直接采用混沌变量进行搜索，搜索过程按混沌运动自身的规律进行，不需要像有些随机优化方法那样通过按某种概率接受“劣化”解的方式来跳出局部最优解。因此混沌优化方法更容易跳出局部最优点，搜索效率高。混沌优化算法结构简单，中间操作较少，有较高的执行效率，是一种新型的优化算法，属于非导数优化方法，克服了传统的基于导数的优化方法对梯度信息的高度依赖性而造成的困难。

1.2混沌粒子群算法混沌粒子群算法主要的思想是在每一代粒子进化结束后，利用混沌搜索对粒子的历史最优位置进行局部搜索，以保持种群的持续进化，避免新旧种群同时陷入相同的局部最优解。其过程描述如下：步骤1经过粒子群算法后，对搜索到的全局极值计算混沌变量的初值。

1.3基于信息交互的变异策略的引入与其他群体智能优化算法相类似，PSO的主要问题是粒子的早熟现象，即在群体可能会收敛到一个局部最优解位置上来。为了克服早熟现象，在混沌粒子群算法中引入变异操作。早熟的主要特征是粒子的运动速度接近于0。因此为了克服早熟现象，当粒子的速度接近于0时，需要对粒子进行变异。本文中，每一代粒子进化结束后（包括混沌搜索），对所有粒子的速度进行统计，获得其平均值Vˉ，从而根据粒子的速度大于或小于Vˉ将粒子分为两组，随机从两组中选择一个粒子进行信息交互。对于两个粒子之间的信息交互，只要交换其个体的最优位置即可，即在下一代更新粒子的速度时，采用如下公式。

1.4基于CMPSO的神经网络优化优化过程如下：（1）选择网络的拓扑结构，网络的输入层数，隐含层数和输出层数，给出网络的输入和输出样本。（2）设定粒子群和神经网络的各个参数，如：目标误差，粒子群适应度函数，粒子群群体数，粒子的个数和维数等。（3）初始粒子群，初始化粒子速度，位移。（4）对于每个粒子做合法性修正操作：（5）更新每个粒子的个体最优值和全局最优值。（6）输入训练样本，计算适应度函数。（7）记录个体历史最优值和全局历史最优值。（8）更新粒子位置。（9）判断最优个体所对应的BP神经网络的输出均方误差是否小于目标误差，是则结束训练，否则进行下一步。（10）判断是否满足迭代条件，如不满足则返回步骤（4），继续执行。满足则算法终止。3.5CMPSO算法流程图本文提出的CMPSO算法其对应的流程图如图1所示。

2基于CMPSO优化神经网络结构解决弹体分类问题

2.1网络模型的选择当样本量一定时，如何选择网络规模使其能达到良好的推广能力是一个非常复杂而且困难的问题。对于多层前向神经网络，其输入节点数和输出节点数由问题本身决定。已经有理论证明了单隐层前向神经网络可以任意精度逼近闭区间内任意连续函数，故在实际应用中一般取三层结构。本文选择三层BP网络作为基础模型，包括输入层、中间层（隐含层）和输出层。上下层实现全连接，而每层神经元之间无连接。当学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。输入层节点数由采集数据的属性个数来决定，输出层节点数由待分类的个数来决定。在中间层节点的确定上，采用与剪枝法相类似的思想从而选择一个较大的数值。

2.2粒子的编码由于采用了3层网络并且网络采用了剪枝法思想，则网络优化的目标包括确定隐含层与输入、输出层之间的连接的权重和节点本身的阈值，以及确定哪些隐节是有效的。在本文算法中，每个粒子的编码如下。

2.3适应度函数的选取网络权值的修改是一个反复迭代的过程。在迭代优化的过程中，每次迭代优化后，计算每一个网络在训练集上产生的均方误差，并以此作为目标函数，为了使均方差指标最小，故粒子群的适应度函数选取为。

2.4实验及讨论本文以文献[6]里90组超声波探测数据为实验数据。通过特征提取得到最终的特征包括：声时、绝对正幅值、绝对负幅值、绝对总幅值、幅值比、增益系数、频率。

2.4.1网络结构及参数设置按神经网络设计方法，网络的拓扑结构如下：（1）输入层由于表示特征模式的分量数为7，所以输入节点数为7，分别代表了7个特征分量。（2）隐层节点数取为20；选转换函数为双极性S型函数tansig。（3）输出层目标共分为7类，采用二进制编码方式表示各种类型，取输出节点数为3，选转换函数为logsig。具体的编码方式如表1所示。

2.4.2实验内容及结果使用MATLAB软件实现基本粒子群优化BP神经网络来进行弹体分类，得到的分类效果如图2所示。图2有90组弹体样本，一共分为7类。红色星状代表预测的弹体分类，蓝色星状代表实际分类。图中出现了15个红色星状，说明90组样本中，15组样本的预测与实际分类不相同，准确率为83.333%。通过本文提出的混沌变异粒子群优化算法优化BP神经网络实现了快速收敛，误差率低的弹体分类效果，如图3所示。由图3可以看出，只有第1组预测弹体类别与实际弹体类别不相符，预测弹体类别为第6类，而实际弹体类别为第5类，其余89组数据预测类别与实际类别完全一致，准确率高达98.889%。将CMPSO算法用于训练BP神经网络相对于基本的PSO算法得到很好的弹体分类效果，实现了最初对废旧弹体进行正确分类的目的。

3结语

目前，粒子群优化算法（PSO）已经成功地应用于系统辨识、神经网络训练、化工、医疗、钢铁生产计划与调度[7]、模糊系统控制[8-9]等各个研究和应用领域。本文提出的基于混沌和变异的粒子群优化算法——CMPSO继承了PSO的优势，同时解决了PSO容易陷入局部最优的缺点，使得快速准确地实现分类的目的。这对于回收废旧弹药起到了较好的作用。

作者：高巍王新秀单位：沈阳化工大学计算机科学与技术学院