基于改进粒子群算法的炼钢连铸最优浇次计划的研究.pdfVIP

基于改进粒子群算法的炼钢连铸最优浇次计划研究 313 基于改进粒子群算法的炼钢连铸最优浇次计划研究 薛云灿1，3 筒 炜2邵惠鹤3 (1．河海大学计算机及信息工程学院；2．湖北汽车工业学院科研处； 3．上海交通大学自动化系) 摘要： 分析了粒子群优化算法的缺点，提出了一种带扰动的改进粒子群优化算法，较好地 克服了简单粒子群优化算法的“早熟”，该改进算法被用于炼钢一连铸一热轧一体化生产最 优浇次计划求解。利用大型钢铁企业生产实际数据进行的研究表明，带扰动的抗早熟粒子 群优化算法是有效的。 关键词：粒子群优化算法；炼钢连铸调度；浇次计划 1引言 Swarm Intelli— 粒子群优化(Particle gence)方法的演化计算技术。PSO同遗传算法类似，是一种基于群体的优化工具。与遗传 算法比较，PSO的优势在于简单容易实现同时又有深刻的智能背景，既适合科学研究，又特 别适合工程应用。因此，PSO一经提出，立刻引起了演化计算等领域的学者们的广泛关注， 并在短短的几年时间里出现了大量的研究成果，形成了一个研究热点。 方面的研究。目前，已提出了多种PSO改进算法，并且PSO已广泛应用于函数优化㈨3，神经 网络训练【4J，TSP求解【5|、模糊系统控制16J以及其他的应用领域。 2基本PSO算法及其改进 2．1基本PSO算法 假设在一个D维的目标搜索空间中，有rn个粒子组成一个群落，其中第i个粒子表示 中的位置是X，。换言之，每个粒子的位置就是一个潜在的解。将Xi带入一个目标函数就可 以计算出其适应值，根据适应值的大小衡量zi的优劣。第i个粒子的“飞翔”速度也是一个 船国)。Kennedy和Eberhart最早提出的PSO算法…采用下列公式对粒子操作： (1) z耐(志+1)=Xid(k)+可甜(k+1) (2) 314 第四篇控制科学与技术 子和个体最好粒子方向飞行的最大步长，若太小，则粒子可能远离目标区域，若太大则会导 致突然向目标区域飞去，或飞过目标区域。合适的f1和C2可以加快收敛且不易陷入局部 每一维速度珊都会被钳位在[一Vd一，翰一]之间，％一太大，粒子将飞离最好解，太小将 会陷入局部最优。假设将搜索空间的第d维定义为区间[一妇一，妇～]，0．1≤志≤1．0，每 一维都采用相同的设置方法。 PSO与GA有很多共同之处，两者都随机初始化种群，使用适应值来评价系统和进行一 定的随机搜索。但PSO是根据自己的速度来决定搜索的，没有GA的明显的交叉和变异。 J。速度更新方程中如 如果将加也看做种群的成员，那么PSO也有一种很弱形式的选择n 果没有可讨(k)项，可以解释为一种代数交叉，而对刀甜(足)更好的理解是把每次迭代看成是一 种不断适应的过程。GA中染色体共享信息，故整个种群较均匀地向最优区域移动。PSO 96(加)将信息传给其他粒子，是单向的信息流动，多数情况下，所有的粒子可能更快地收 敛于最优解。由于每个粒子在算法结束时仍然保持着其个体极值，因此，如将PSO用于调 度和决策问题时，可以给出多种有意义的选择方案。而基本遗传算法在结束时，只能得到最 后一代个体的信息，前面迭代的信息没有保留。另外，PSO算法对种群大小不十分敏感，即 种群数目下降时性能下降不是很大。 PS0收敛快，特别是在算法的早期，但也存在着精度较低，易发散等缺点。若加速系数、 最大速度等参数太大，粒子群可能错过最优解，算法不收敛；而在收敛的情况下，由于所有的 粒子都向最优解的方向飞去，所以粒子趋向同一化(失去了多样性)，使得后期收敛速度明显 变慢，同时算法收敛到一定精度时，无法继续优化，所能达到的精度也比GA低[7{，因此很多 [15]提出了一种协同PSO。 2．2一种