粒子群优化算法在卷烟配方设计中的应用研究
群体智能(Swarm Intelligence)作为一个新型的研究领域，自从20世纪70年代出现以来，就引起了多个学科研究人员的关注，已经成为经济、社会、生物、计算机等学科的热点和前沿领域。群体智能利用群体优势，在没有集中控制，不提供全局模型的前提下，为寻找复杂问题解决方案提供了新的思路。粒子群优化(PSO，Particle Swarm Optimization)算法就是一种群体智能优化算法，它是在1995年由Eberhart和Kennedy共同提出的。这种算法模仿鸟类和鱼类群体觅食迁徙中个体与群体协调一致的机理，通过群体最优方向、个体最优方向和惯性权重的协调来求解实数化问题。近年来该方法已经成为新的研究热点。
卷烟的品质受到多种因素的影响，包括香精香料、辅助材料、包装纸、过滤嘴等。然而，构成烟的多种烟叶组合(叶组)是决定卷烟感觉质量的最重要、最直接的因素。尽管卷烟的感觉品质为它的化学成分所决定，自然需要检测烟叶的化学成分，但是卷烟的基本配方是在烟叶的基础上进行的，所需要优化的配料组合是叶组，而不是直接面向化学成分。这也是卷烟配方的复杂性的根源之一。
本文利用PSO算法来解决配方优化设计这类组合优化问题：通过修改标准粒子群算法的速度更新公式，用全体粒子的平均极值代替粒子的个体极值来提高粒子的寻优性能。同时在修改后的算法的基础上分别引入遗传策略和混沌思想，提高了算法的寻优性能和准确度。最后通过和已有算法遗传算法在配方优化设计中的应用的比较，用本文中提出的修改后的算法的仿真结果要明显好于遗传算法的仿真结果，这也为卷烟配方设计提供了相对更为准确的参考方案。本文对粒子群优化算法的应用研究也为解决其他类似的问题提供了一种新的思路和方法。
粒子群算法;遗传算法;群体智能;智能优化;卷烟配方设计
中国海洋大学
硕士
计算机应用技术
丁香乾
2009
中文
TP301.6;TS452.1
67
2009-10-19（万方平台首次上网日期，不代表论文的发表时间）