一种非线性系数的粒子群优化算法.pdfVIP

化后期收敛速度 通过一个与当前 对三个基准测试 (和)粒子群迄今为止搜索到的最优位置满足预定最小适应 1．引言 阈值。式 (1)中clr。(p(t)--xi(t))被称为 “认知”部分，表示粒子 粒子 群 算法 (particleSW~rloptimization．PSO)是 由 本身的思考；而 (ps(t)--xi(t))被称为 “社会 ”部分，表示粒 Kennedy和Eberhart[]等人于 1995年提出的一种基于种群搜 子间的信息共享和相互合作 。 索的自适应进化计算技术。它最初用于处理连续优化问题， 3．非线性系数的粒子群优化算法(ntPSO) 目前已扩展到组合优化问题，获得了许多优秀的应用成果。 3．1 非线性系数惯性权重和加速系数 然而，Kennedy等人提出的粒子群优化算法亦有其不足：例如 通过实验观察发现：粒子群中粒子的进化，主要是通过粒 易陷入局部极值点，进化后期收敛速度慢，精度较差等。为了 子群中的个体迄今为止搜索到的最优位置 (个体最优位置)和 克服粒子群优化算法的这些不足，研究人员提出了许多改进 整个粒子群迄今为止搜索到的最优位置 (整体最优位置)来控 的粒子群优化算法。这些算法从不同方面对粒子群优化算法 制的。当加大个体最优位置在PSO算法中速度更新式的影响 进行了改进2[-5]，不同程度地提高了算法的收敛速度和精度。 权重时，粒子群的多样性就会增加 ，但是会减慢收敛速度；当 由此，本文提出用非线性函数调整惯性权重和加速系数的粒 加大整体最优位置在PSO算法中速度更新式的影响权重时， 子群优化算法 (nfPSO)，在算法的运行过程中通过一个与当 粒子群收敛速度会加快，但容易过早地陷入局部极值。 前迭代次数相关的非线性函数控制惯性权重和加速系数，使 Shi和Eberhartt】指出较大的w值有利于跳出局部极小 得在算法初期加大粒子的多样性与在算法后期加快粒子的 点，而较小的w值有利于算法收敛：速度更新式(1)的第一部 收敛速度，从而实珊 发‘散”与 “收敛”的动态平衡。 分表示了粒子 以前的速度对粒子下一步运动的影响。这部分 2．粒子群优化算法 提供了粒子在搜索空间飞行的动力。其中的惯性权重控制了 粒子群优化算法是一个基于种群的优化算法 ，种群称 粒子 以前的速度对当前速度的影响的大小。因此，惯性权重 作粒子群，粒子群中的个体被称为粒子。设有N个粒子组成 的设置也会影响粒子的全局搜索能力与局部搜索能力之间 的一个群体，其 中第 i个粒子表示为一个 nl维的向量 xi 的平衡。如果 w较大，整个算法的全局搜索能力加强，有利 (i=1，2，…N)，第