粒子群遗传融合算法.pdfVIP

第 11卷 第29期 2011年 1O月 科 学 技 术 与 工 程 V01．1l No．29 0ct．2011 1671—1815f2011)29-7128—05 ScienceTechnologyandEngineering ⑥ 2011 Sei．Tech．Engng． 粒子群遗传融合算法 彭晓波 胡志坤 李勇刚 (湖南工业大学电气与信息工程学院 ，株洲412008；中南大学信息科学与工程学院。，长沙410083) 摘 要 提出一种融合粒子群算法和遗传算法改进优化算法，该算法首先采用一种 自适应弹性粒子群算法，弹性地修正粒子 速度的幅值，有效地避免了粒子群算法的早熟收敛问题。再与遗传算法融合，模仿 自然界的个体成熟过程，对遗传算法中的 每一代群体中的优秀个体，先采用 自适应弹性粒子群算法获得进一步的提高。再经过提高、交叉、变异三步，获得最优解。以 动态系统FCRNN的设计为例，改进算法收敛速度快，误差精度高。 关键词 粒子群算法 遗传算法 改进粒子群算法 (RPSO) GARPSO 中图法分类号 TP183； 文献标志码 A 粒子群优化 (PSO)算法是 由Kennedy和 Eber— 子(个体)是相互联系的，可以模仿 自然界，通过与 hart于 1995年提出的一种进化算法领域的新的分 群体中的其他粒子的联系和 自己的学习，能够获得 支_1J，与其它进化算法一样，PSO算法也存在早熟 最大的性能提高，能够成熟。 收敛问题。对此，人们进行了大量的研究工作 。李 因此把算法改进和融合，提出粒子群遗传算 宁采用变异算子，以维持群体的多样性并跳出局部 法。该算法首先通过计算适应度函数值，对群体中 最优 ；丁雷在 PSO算法中混合了梯度信息，保持 的个体按适应度函数值的大小进行排序，再采用改 群体的活性，不仅加快了寻优速度 ，而且可 以避免 进的粒子群优化算法对群体中的优秀个体进行成 局部极小 J。王华秋采用模拟退火算法，保持了群 熟，成熟 以后的个体进入下一代 ，其他适应度函数 体的多样性，避免出现局部最优解 J。这些方法都 值差的个体被淘汰。然后对 已经提高的优秀个体 在一定程度上改善了PSO算法的全局优化能力，但 再通过选择、交叉和变异步骤得到剩下的个体。这 也都存在一些不足。本文提出一种改进 的粒子群 样下一代个体肯定会比遗传算法得到的下一代个 优化算法，该算法采用一种 自适应策略弹性地修正 体要优秀。本文从遗传算法和粒子群算法相结合 粒子速度的幅值，保证各粒子接近最优粒子时，仍能 的角度进行研究，实验结果表明，该算法的全局搜 索能力和优化能力有了较大的改善。 保持一定的飞行速度。因此粒子能够 比较容易跳出 局部极值点的约束范围，以避免算法的早熟收敛。 在遗传算法方面，算法的改进，一般考虑的都 1 改进粒子群(RPSO)算法 是遗传算法在早熟和收敛方面的问题 J。在选择 设在D维搜索空间有 m个粒子，第 i个粒子在 和交叉步骤中，个体被复制或选择作为父代直接进 搜索空间的位置用向量 =[ …， ]表示，其 入下一代，因此个体本身并没有获得提高。而在 自 个体极值记为pbest=[pbest …，pbest曲r，而全局 然界，个体是要成熟，要适应环境，才能繁殖下一 代。在PSO算法中，粒子在同一代群体中，每个粒 极值记为Gbest=[Gbest …，GbestgDr。在迭代过 程中，第