1. 研究目的与意义（文献综述）
(1) 国内外的研究现状分析
粒子群算法（pso）由eberhart和kennedy于1995年提出[1,2]，其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。pso简单且易于实现，而且没有太多的参数需要调节。pso 与进化算法有很多相似之处，而且已经被证实对于大量困难的优化问题有鲁棒性能[3]。目前pso已被广泛应用于函数的优化、神经网络的训练、模糊系统的控制以及其他遗传算法的应用领域。在过去几年，许多改进的 pso 算法被提出[8]。2004年，受到量子力学和pso的轨迹分析启发，孙俊等人提出了量子粒子群优化（qpso） 算法[4,5],并对该算法的收敛性及控制参数进行了研究[6]。qpso的迭代方程与pso非常不同，在数学可以证明qpso是全局收敛的[6,7]。目前，qpso出现了一些改进版本，如基于高斯分布吸引子的qpso[8]。
差分进化算法（de）由storn等人于1995年提出的[9,10] ,最初是应用于解决chebyshev多项式问题。差分进化算法因原理简单、受控参数少、鲁棒性强等特点,引起越来越多的学者关注[11,12,13,14]。近年来,de 在约束优化计算、聚类优化计算 、非线性优化控制、神经网络优化、滤波器设计、阵列天线方向图综合及其它方面得到广泛应用[15,16]。
2. 研究的基本内容与方案
(1)基本内容和目标
通过查找相关资料，学习qpso（量子粒子群）算法和de（差分进化）算法，了解两种算法的发展历程程及其实际应用，掌握qpso和de的用法；建立两种算法的混合优化策略，改善算法的性能；编写相关的算法程序，并与传统算法进行对比验证。
(2)技术方案及措施
3. 研究计划与安排
2016-03-15之前，完成文献查阅、英文翻译和开题报告；
2016-04-25之前，提交阶段性研究成果；
2016-05-30之前，提交正式毕业论文。
4. 参考文献（12篇以上）
[1] kennedy j, eberhart r. particle swarmoptimization[c]// neural networks, 1995. proceedings., ieee internationalconference on. ieee, 1995:1942-1948 vol.4.
[2] shi y,eberhart r.modified particle swarmoptimizer[c]// evolutionary computation proceedings, 1998. ieee world congresson computational intelligence., the 1998 ieee international conference on.ieee, 1998:69-73.
[3] poli r. analysis of the publications on theapplications of particle swarm optimisation[j]. journal of artificial evolutionand applications, 2008, 2008(2008):10.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
