基于变异和交叉的改进粒子群算法.pdfVIP

№ ．4 陕西科技大学学报 Aug．2011 Vol_29 JOURNALOFSHAANXIUNIVERSITY OFSCIENCE TECHNOLOGY · 121 · 文章编号 ：1000—5811(2011)04—0121—04 基于变异和交叉的改进粒子群算法 闫元元，高兴宝，周喜虎 (陕西师范大学数学与信息科学学院，陕西 西安 710062) 摘 要 ：为克服粒子群算法早熟收敛 的缺点，通过 引入变异和交叉算子，设计 了一种新 的粒 子群算法。通过对常用测试函数 的数值试验 ，说 明了新算法不仅能有效地避免早熟收敛，而 且具有更好的收敛速度． 关键词 ：变异；交叉；粒子群算法 ；优化；早熟收敛 中图法分类号：TP301 文献标识码：A 0 引 言 1995年，通过对鸟群捕食行为的研究 ，Eberhart和 Kennedy_1 提出了粒子群优化算法 (PSO)，它 基于群体智能理论 ，通过群体 中粒子跟踪 自己和群体所发现的最优值，修正前进 的方 向和速度 ，实现寻 优．PSO算法简单，需调整的参数少且易于实现 ，因此广泛应用于函数优化 、神经网络优化、模糊系统控 制以及其它领域_l3]．但是粒子群算法同其它进化算法一样存在早熟收敛的缺点，其原因主要在于群体多 样性的丧失．本文首先介绍了标准粒子群算法 ，然后基于变异和交叉提 出了一种新 的算法，用 4个基准 函数测试 ，试验结果表明新算法提高了标准粒子群算法克服早熟收敛的能力 ，加快了收敛速度． 1 标准粒子群算法 标准粒子群算法首先对群体初始化 ，然后通过迭代找到最优解．在每一次迭代 中，每个粒子考虑 自 身搜索到的最优位置 以及群体搜索到的最优位置进行速度与位置的更新．在 D维 目标搜索空间中，由种 群数 N 的粒子组成群体 ，其 中第 i个粒子的位置为z 一 ( ， ，…， )，飞行速度为 一 ( ， ，… ， ∞ )，该粒子当前搜索到的最优位置为P 一 (户 P …，P )，整个粒子群 的最优位置为 P 一 (p ，p ， … ， )．标准粒子群算法迭代公式如下 ： 73“(￡+ 1)一伽 ()+ Clrl(P 一 z (￡))+ c2r2(p 一 2．7(f)) (1) z (t+ 1)一z ()+ 73 (t+ 1) (2) 其中i一1，2，3，…，N；d一1，2，3，…，D；t是当前迭代次数 ；学习因子c、c为非负常数 ，描述 了粒子向 自己搜索到的最优位置及群体搜索到的最优位置 的靠近程度 和r为[o，1]上均匀分布的伪随机数 ，其 随机性使得整个粒子群表现出极复杂的特性 ；W为非负数 ，称作惯性权重，描述了上次迭代速度对 当前速 度 的影响．W较大时算法有较强的全局搜索能力 ，硼较小时算法有较强 的局部搜索能力．文献[4]通过大 量试验表明，如果W随算法迭代的进行而线性减小 ，则将显著改善算法的收敛性能．设 丁 为最大迭代 次数 ，讪 为迭代至最大迭代次数时的惯性权重 ，W 。为初始惯性权重 ，则有 训(￡)一 (WIi—WEd)(TM ～ ￡)／TM +WEd (3) * 收稿 IZl期 ：2011—05—15 作者简介 ：闾元元 (1985一)，男，河北省邯郸市人，在读硕士生，研究方 向：运筹学与控制论，智能计算 基金项 目：国家 自然科学基金资助项 目10902062) · 122 · 陕西科技大学学报 第 29卷 2 改进的PSO算法 (TPSO) 早熟收敛是指在算法早期 ，由于群体最优的吸引，群体 中大多数粒子聚集在群体最优 的周围，使得 算法的寻优停滞在局部邻域而无法继续搜索全局最优．因此，在算法迭代过程 中，要克服早熟收敛问题， 就要增加种群的粒子数或者减弱粒子对当前种群搜索到的局部最优位置的追逐 ．因为增加种群的粒