论文总字数：16745字

摘 要

遗传算法（Genetic Algorithms，简称GA）是一种通用的优化算法，通过选择，交叉，变异这三个算子进行种群的优化，将父代有用的信息交换传播给子代。然而算法本身也存在着很多的不足，比如在局部范围内的搜寻能力较差、收敛速度较差。粒子群优化算法(Particles Swarm Optimization，简称PSO)没有交叉、变异，种群在解空间中围绕着最优粒子展开搜索，计算简单，比较容易实现。故可将PSO与GA组合形成新的算法，前期利用GA进行搜索域内基本搜索，初步获取可能的全局最优范围，后期利用PSO继续搜索，在此基础上进行细致局部搜索，寻求较优解附近的局部最优解。克服GA的局部搜索能力差的弊端，使得算法拥有更快的收敛速率和收敛精度。

关键词 ： 遗传算法 微粒群优化算法 混合优化算法

The research and application of PSO and GA hybrid optimization algorithm

Abstract

Genetic algorithm (based Algorithms, the GA for short) is a kind of general optimization algorithm, through the selection, crossover, mutation populations of the three operators, optimization, the parent of useful information exchange is transmitted to the offspring. However, the algorithm itself there are many deficiencies, such as within the scope of the local search ability is poor, poor convergence speed. Particle Swarm Optimization algorithm (Particles Swarm Optimization, PSO) no crossover and mutation, populations around the optimal particle in the solution space search, simple calculation, easy to implement. So PSO and GA can be combined to form a new algorithm, the early basic search using GA to search domain, preliminary may gain global optimal range, the late using PSO to continue the search, on the basis of a detailed local search, seek a near optimal solution of local optimal solution. To overcome the disadvantages of poor local search ability of GA, makes the algorithm has faster convergence rate and convergence precision .

Keywords:The genetic algorithm；particle swarm optimization algorithm；hybrid optimization algorithm

目 录

摘要 I

摘要 I

Abstract II

第一章 绪论 1

1.1 选题的意义 1

1.2国内外遗传学算法的研究状况 1

1.3 混合优化算法的研究现状 2

第二章 PSO-GA混合优化算法 4

2.1 PSO概述 4

2.2 GA 概述 4

2.3 PSO与GA的比较 6

2.4一种新的PSO-GA设计 7

第三章 GA和PSO-GA算法代码和流程图 9

3.1 Matlab软件的概述 9

3.2 GA算法流程图 9

3.2.1 GA算法步骤及流程图 9

3.2.2 算法流程图 10

3.3 PSO-GA算法代码及流程图 10

3.3.1PSO-GA算法步骤 10

3.3.1PSO-GA算法流程图 11

3.4 仿真 12

3.5本章小结 15

第四章 数字滤波器 16

4.1数字滤波器的简介 16

4.2数字滤波器的分类 16

4.3 IIR数字滤波器的概述 17

4.4数字滤波器的设计要求和方法 17

4.4.1数字滤波器的设计要求 17

4.4.2IIR数字滤波器的设计方法 18

4.5基于PSO-GA算法的IIR数字滤波器的设计与仿真 18

4.5.1基于PSO-GA算法的IIR数字滤波器的设计 18

4.5.2 基于PSO-GA算法的IIR数字滤波器的仿真结果 22

本例题PSO-GA混合算法的仿真结果 23

总结 24

参考文献 25

致谢 27

第一章 绪论

1.1 选题的意义

从二十世纪九十年代开始，出现了一个新的热门课题就是通过模仿自然界生物的生存行为来解决一些问题。构成了一套以群体智能为中心的理论体系，而且已经在少许实践的应用领域中取得不错的成就。作为群体智能的典型模式，根据“生存竞争”和“优胜劣汰”的原则的遗传学算法，和通过模拟鸟群找寻食物运动的粒子群优化算法都受到了学术界的广泛关注。遗传算法拥有着随机性，使得其可以较快寻找到多个局部的极值，同时该算法还具备良好的全局优化能力，所以可以极大的利用上一代种群来进化出拥有更高性能的下一代种群，在许多领域有着广泛的应用^[1-2]。粒子群优化算法由Eberhart和Kennedy于1995年提出，它将无形的粒子作为个体，而且赋予每一个粒子单一的行为准则，使得整体的粒子种群变得复杂，然后解决一些繁杂的优化问题^[3]。相比较于GA而言，PSO因没有选择、交叉、变异的存在，算法比较的简洁，并且具有着更好的收敛性以及智能性。可是因为粒子群算法中粒子位置的更新，主要是通过将自己当前的位置与四周、群粒子中当前最好位置进行来进行比较的，种群进化的方式比较的单一，所以在后期的搜索中，求解的效率不高，被困于局部不能很好的得到全局的最优值。相比较而言，遗传算法由于存在交叉、变异等多种进化方式，使得种群具有多样性，但是算法求解到后期时产生大量无为的冗余迭代，增加了计算时间，求解效率降低。因此，考虑将粒子群优化算法与遗传算法进行结合，来提高算法的性能。

1.2国内外遗传学算法的研究状况

请支付后下载全文，论文总字数：16745字