求解非线性方程组的量子行为粒子群算法_计算机论文.docVIP

求解非线性方程组的量子行为粒子群算法_计算机论文 求解非线性方程组的量子行为粒子群算法_计算机论文 摘要：介绍了利用量子行为粒子群算法解决非线性方程组的问题。求方程组的解归结为一个最优化问题，当方程组有多个解时，它的适应值函数就是具有多个最优解的多峰函数。为此，引进一种物种形成原理算法，该算法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体进行QPSO最优搜索，从而保证方程组中每个可能的解都能被搜索到，具有良好的局部寻优特性。对几个重要的测试函数进行仿真实验，结果证明了所用算法可以保证找到方程组所有的解，并且具有很好的精确度。 　　关键词：粒子群算法； 量子行为粒子群算法； 非线性方程组； 物种形成原理 　　0引言 　　 　　方程组的求解是数值代数的基本问题之一，许多自然生活和工程科学的计算问题最后都可归结为求解方程组；因此，对方程组的解法的研究具有重要的意义。方程组可以分为线性方程组和非线性方程组。传统求解方程组的数值解法分为直接法和迭代法。如果考虑时间约束条件，在实时系统中现存的数值解法都可能无法对方程组进行精确求解。为此利用进化算法使用计算机模拟大自然的进化过程，可以求解许多传统数值计算方法难以解决的复杂问题。由于求方程组的解归结为一个最优化问题，当方程组有多个解时，它的适应值函数就是具有多个最优解的多峰函数。求具有多个解的方程组问题就可以转换为对多峰函数寻优的问题。 　　粒子群(Particle Swarm Optimization，PSO)算法和量子行为粒子群（Quantum－behaved Particle Swarm Optimization, QPSO）算法都属于进化算法，它们都具有群体智能、迭代过程相对简单和收敛速度较快等优点。其中QPSO是全局收敛的而PSO却不能保证收敛到全局最优解[1]。本文在QPSO算法的基础上引进物种形成原理算法（Speciation Algorithm），提出了改进的基于物种形成的QPSO算法，即SQPSO（Species－based QPSO）算法。在算法中将粒子群动态并行划分为不同的子群。这种物种形成原理算法与Li J.等人研究的利用遗传算法实现多峰优化问题[2]相似。它将粒子群系统中的粒子根据相似度进行划分，并将每个子群中拥有局部最优值的粒子作为该子群的种子，而种子的局部最优值被设为该子群的全局最优值。这样就使得每个子群中的粒子都收敛于该子群的局部最优值，而不是全部收敛于粒子系统中的一个全局最优值。因此这样就可以并行地产生子群，从而有效地进行多峰寻优。 　　 　　1PSO算法及带惯性权重的PSO算法 　　 　　PSO算法最早是在1995年由美国社会心理学家James Kennedy和电气工程师Russell Eberhart共同提出的[3]，源于对鸟群捕食的行为研究。PSO中，每个优化问题的解都是搜索空间中的一只鸟，称之为粒子。所有的粒子都有一个由被优化的函数决定的适应值(Fitness Value)，每个粒子还有一个速度决定它们飞翔的方向和距离。粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解。这个解叫做个体极值pbest；另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest。另外也可以不用整个种群而只是用其中一部分最好粒子的邻居，那么在所有邻居中的极值就是局部极值lbest[4，5]。在找到这两个最优值时, 粒子根据如下的公式来更新自己的速度和新的位置。 　　 　　2QPSO算法 　　 　　PSO是基于种群的进化搜索技术，但是所有基本的和改进的PSO算法不能保证算法的全局收敛[1]，因为PSO的进化方程式使所有粒子在一个有限的样本空间中搜索。根据粒子群的基本收敛性质，受量子物理基本理论的启发，本文提出了一种新的能保证全局收敛的粒子群算法——QPSO算法[7，8]是对整个PSO算法进化搜索策略的改变,并且进化方程中不需要速度向量,进化方程的形式更简单、参数更少且更容易控制。QPSO算法在搜索能力上优于所有已开发的PSO算法。 　　 　　在QPSO算法中,粒子的状态只需用位置向量来描述,并且算法中只有一个收缩扩张系数β,对这个参数的选择和控制是非常重要的,它关系到整个算法的收敛性能。  　　 　　3方程组的适应值函数 　　 　　为了求方程组，通常可以将求解的适应值函数定义为 　　 　　4物种形成原理算法 　　 　　方程组具有多个解时，适应值函数就是具有多个最优值的多峰函数。为了实现对多峰函数寻优，引进一种物种形成原理