改进粒子群算法的研究和仿真.pdfVIP

CN53—1045／NISSN 云南大学学报(自然科学版)。2009，31(s2)：178—181 0258—7971 ofYunnan Journal University 改进粒子群算法的研究与仿真。 李凌，倪远平，孙婧雅 (昆明理工大学信息工程与自动化学院，云南昆明650051) 摘要：针对标准粒子群算法(PSO)存在收敛慢、易陷入局部极值的缺点，分析了粒子群算法中惯性权重和加 速因子的作用，对它们作r修改，进行了相关的实验仿真．仿真结果表明：修改后的粒子群算法迭代次数减少了， 收敛性有了明显的提高，全局搜索和局部搜索能力达到平衡，有利于更快地寻找全局最优解． 关键词：粒子群算法；惯性权重；加速因子；最优解 中图分类号：TP18 文献标识码：A 文章编号：0258—7971(2009)s2—0178—04 群智能是在生物群体间合作与互动的基础上产生的一种解决复杂分布式问题的新兴演化计算技术． 现阶段，群智能研究的领域主要有两种算法：蚁群算法和粒子群算法．蚁群算法是模拟蚁群采集食物的过 程来求解最优化问题，粒子群算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程．由于 它具有强大的搜索能力，参数设置少，简单方便等优点，引起了很多学者的关注，并得到了迅速的发展，被 应用到广泛的领域，如函数优化，神经网络洲练，调度，图像数据分析等领域． 但是标准粒子群算法也存在收敛慢，易陷入局部极值等缺点．所以，学者们提出了多种粒子群改进方 法，如改变收缩因子【1]能提高收敛性，自组织临界点控制能提高种群多样性，混沌粒子群优化算法[2]能提 高搜索精度等．本文考虑采用对惯性权重动态非线性减小与加速因子线性变化相结合的改进方法，并用于 对函数进行优化． 1标准粒子群算法 士于1995年提出的，起源于对鸟类捕食的研究【3J3．与达尔文“适者牛存，优胜劣汰”进化思想的遗传算法不 同的是，规则更为简单，没有遗传算法的“交叉”和“变异”操作，它通过追随当前搜索到的最优值来寻找 全局最优． 种群是由多个粒子的集合组成的，每个粒子代表一个潜在解．在粒子群优化中，粒子是通过超维搜索 空间“流动”的，每个粒子的搜索行为是受到群中其它粒子的经验或知识影响的。PSO初始化为一群随机 J： 解．标准粒子群算法按照下面的公式更新速度和位置M 口!j1=秽乞+clrl(p毛一石‘谢)+c2 (1) r2(P‘gd一茁乞)， 戈：j1=秽jjl+算％． 极值(pbest)和全局极值(gbest)推进的随机加速权值． ·收稿日期：2009—06—04 作者简介：李凌(1983一 通讯作者：倪远平(1957一)，女，重庆人，教授．主要从事智能控制，智能故障诊断方面的研究． 第S2期 李凌等：改进粒子群算法的研究与仿真 179 2粒子群算法的改进 速度的大小直接影响算法的全局收敛性．粒子飞行速度大的时候，可以使各个粒子以较快的速度飞向全局 最优解所在的区域，但当粒子接近最优解时，由于飞行速度缺乏有效的控制，很容易飞出最优解，从而很难 收敛于全局最优解．所以在移乞前面添人惯性权重co，调节粒子速度的大小，使粒子保持运动的惯性，有能 力探索新的区域，快速找到全局最优解．加入惯性权重的速度、位置更新公式如下所示： 移!j1=co秽％+cl (3) rl(p乞一省乞)+c2／2(P盆一筇)， 菇{j1=t}÷j1+菇k访． (4) 为了改善算法的性能，除了引入惯性权重，还有对加速因子的改