粒子群算法在彈體中的運用范文

本站小編為你精心準備了粒子群算法在彈體中的運用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《計算機工程與應用雜志》2014年第十四期

1一種基于混沌和變異的粒子群優化算法——CMPSO

1.1混沌優化算法的優勢因為混沌運動[4-5]具有遍歷性、隨機性、“規律性”等特點，混沌運動能在一定范圍內按其自身的“規律”不重復地遍歷所有狀態。混沌優化方法直接采用混沌變量進行搜索，搜索過程按混沌運動自身的規律進行，不需要像有些隨機優化方法那樣通過按某種概率接受“劣化”解的方式來跳出局部最優解。因此混沌優化方法更容易跳出局部最優點，搜索效率高。混沌優化算法結構簡單，中間操作較少，有較高的執行效率，是一種新型的優化算法，屬于非導數優化方法，克服了傳統的基于導數的優化方法對梯度信息的高度依賴性而造成的困難。

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進化結束后，利用混沌搜索對粒子的歷史最優位置進行局部搜索，以保持種群的持續進化，避免新舊種群同時陷入相同的局部最優解。其過程描述如下：步驟1經過粒子群算法后，對搜索到的全局極值計算混沌變量的初值。

1.3基于信息交互的變異策略的引入與其他群體智能優化算法相類似，PSO的主要問題是粒子的早熟現象，即在群體可能會收斂到一個局部最優解位置上來。為了克服早熟現象，在混沌粒子群算法中引入變異操作。早熟的主要特征是粒子的運動速度接近于0。因此為了克服早熟現象，當粒子的速度接近于0時，需要對粒子進行變異。本文中，每一代粒子進化結束后（包括混沌搜索），對所有粒子的速度進行統計，獲得其平均值Vˉ，從而根據粒子的速度大于或小于Vˉ將粒子分為兩組，隨機從兩組中選擇一個粒子進行信息交互。對于兩個粒子之間的信息交互，只要交換其個體的最優位置即可，即在下一代更新粒子的速度時，采用如下公式。

1.4基于CMPSO的神經網絡優化優化過程如下：（1）選擇網絡的拓撲結構，網絡的輸入層數，隱含層數和輸出層數，給出網絡的輸入和輸出樣本。（2）設定粒子群和神經網絡的各個參數，如：目標誤差，粒子群適應度函數，粒子群群體數，粒子的個數和維數等。（3）初始粒子群，初始化粒子速度，位移。（4）對于每個粒子做合法性修正操作：（5）更新每個粒子的個體最優值和全局最優值。（6）輸入訓練樣本，計算適應度函數。（7）記錄個體歷史最優值和全局歷史最優值。（8）更新粒子位置。（9）判斷最優個體所對應的BP神經網絡的輸出均方誤差是否小于目標誤差，是則結束訓練，否則進行下一步。（10）判斷是否滿足迭代條件，如不滿足則返回步驟（4），繼續執行。滿足則算法終止。3.5CMPSO算法流程圖本文提出的CMPSO算法其對應的流程圖如圖1所示。

2基于CMPSO優化神經網絡結構解決彈體分類問題

2.1網絡模型的選擇當樣本量一定時，如何選擇網絡規模使其能達到良好的推廣能力是一個非常復雜而且困難的問題。對于多層前向神經網絡，其輸入節點數和輸出節點數由問題本身決定。已經有理論證明了單隱層前向神經網絡可以任意精度逼近閉區間內任意連續函數，故在實際應用中一般取三層結構。本文選擇三層BP網絡作為基礎模型，包括輸入層、中間層（隱含層）和輸出層。上下層實現全連接，而每層神經元之間無連接。當學習樣本提供給網絡后，神經元的激活值從輸入層經各中間層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入響應。輸入層節點數由采集數據的屬性個數來決定，輸出層節點數由待分類的個數來決定。在中間層節點的確定上，采用與剪枝法相類似的思想從而選擇一個較大的數值。

2.2粒子的編碼由于采用了3層網絡并且網絡采用了剪枝法思想，則網絡優化的目標包括確定隱含層與輸入、輸出層之間的連接的權重和節點本身的閾值，以及確定哪些隱節是有效的。在本文算法中，每個粒子的編碼如下。

2.3適應度函數的選取網絡權值的修改是一個反復迭代的過程。在迭代優化的過程中，每次迭代優化后，計算每一個網絡在訓練集上產生的均方誤差，并以此作為目標函數，為了使均方差指標最小，故粒子群的適應度函數選取為。

2.4實驗及討論本文以文獻[6]里90組超聲波探測數據為實驗數據。通過特征提取得到最終的特征包括：聲時、絕對正幅值、絕對負幅值、絕對總幅值、幅值比、增益系數、頻率。

2.4.1網絡結構及參數設置按神經網絡設計方法，網絡的拓撲結構如下：（1）輸入層由于表示特征模式的分量數為7，所以輸入節點數為7，分別代表了7個特征分量。（2）隱層節點數取為20；選轉換函數為雙極性S型函數tansig。（3）輸出層目標共分為7類，采用二進制編碼方式表示各種類型，取輸出節點數為3，選轉換函數為logsig。具體的編碼方式如表1所示。

2.4.2實驗內容及結果使用MATLAB軟件實現基本粒子群優化BP神經網絡來進行彈體分類，得到的分類效果如圖2所示。圖2有90組彈體樣本，一共分為7類。紅色星狀代表預測的彈體分類，藍色星狀代表實際分類。圖中出現了15個紅色星狀，說明90組樣本中，15組樣本的預測與實際分類不相同，準確率為83.333%。通過本文提出的混沌變異粒子群優化算法優化BP神經網絡實現了快速收斂，誤差率低的彈體分類效果，如圖3所示。由圖3可以看出，只有第1組預測彈體類別與實際彈體類別不相符，預測彈體類別為第6類，而實際彈體類別為第5類，其余89組數據預測類別與實際類別完全一致，準確率高達98.889%。將CMPSO算法用于訓練BP神經網絡相對于基本的PSO算法得到很好的彈體分類效果，實現了最初對廢舊彈體進行正確分類的目的。

3結語

目前，粒子群優化算法（PSO）已經成功地應用于系統辨識、神經網絡訓練、化工、醫療、鋼鐵生產計劃與調度[7]、模糊系統控制[8-9]等各個研究和應用領域。本文提出的基于混沌和變異的粒子群優化算法——CMPSO繼承了PSO的優勢，同時解決了PSO容易陷入局部最優的缺點，使得快速準確地實現分類的目的。這對于回收廢舊彈藥起到了較好的作用。

作者：高巍王新秀單位：沈陽化工大學計算機科學與技術學院