一种动态调整的改进微粒群算法.docVIP

一种动态调整的改进微粒群算法 【摘要】微粒群算法，是一种新型的进化计算方法，在不同领域有着广泛应用。通过研究基本微粒群算法发现，基本群算法在计算过程中应用测度为零的线性进行搜索过程中，则会较为早的进入早收敛现象，因此提出了改进版的微粒群算法，该算法在运算过程中可将极限位置进行动态化的调整，使得各个微粒的极限位置在其线性运动总形成的动态圆形分布。本文探讨了动态调整中的一种改进微粒群算法，并进行实例仿真，证明了方法的可靠性和有效性。 【关键词】动态调整；改进；微粒群算法 引言 微粒群算法是一种以群智能方法为基础的演化计算技术。为提高算法的准确性和效率，许多专家做了大量的研究，并对微粒群算法做了不同的改进[1] [2]。但是，在改进算法过程中，仅仅利用微粒位置向量对空间进行搜索，而微粒的速度向量会受到最大速度常数的限制，即收到位置向量的限制，进而影响到质量和速度向量信息的利用效率。本文通过探讨一种动态调整改进微粒群算法，提高计算准确性和计算效率。 微粒群算法概述 微粒群算法，是由美国社会学家Jame Kennedy和电气工程师Russell Eberhart共同提出的一种基于模拟鸟类飞行和鱼群活动的随机优化计算方法[3]。该算法体现了简单、朴素的智能意识：鸟类应用简单的规制指导自身的飞行方向和速度，使得它们在飞行中不会发生碰撞。微粒群算法和其他进化计算法不同，它是把每一个个体作为一个N维度搜索空间中无质量和体积的微粒，并在该空间中按照一定的方向和速度飞行，该飞行速度是根据个体的飞行经验和群体飞行经验进行动态调整的。目前，对于微粒算法的研究主要有：算法参数的调整、结构浇筑、拓扑结构改进、混合算法改进及理论分析和微粒群应用[4]。 基本微粒群算法的分析 基本微粒群算法的描述是： 其中，Vj（t）表示时刻微粒j速度向量；Xj表示t时刻微粒j位置向量；Pj表示t时刻微粒j历史最优位置向量，Pg表示t时刻种群历史最优位置向量，r1、r2是两个在0到1之间的随机分布值，w、c1及c2是常数。 为了更好的进行分析，对上述式子进行变形： 设1=c1r1,β2=c2r2,A=A1+A2 则 PQ=A1Pj+A2Pg （3） 把（3）带入（1）中可得到： Vj（t+1）=wVj（t）+β[PQ－Xj（t）] （4） 由PQ定义可知，min｛Pj，Pg｝≤PQ≤max｛Pj，Pg｝，当Pj和Pg给定后，位于他们所形成的线段和全局可行解区域的各种可能的情况主要有四种（如图1、图2），图1中a到d情形分析：图1中的a和b两种情形是表示算法可能收敛到全局最优解的集合之中，其中集合A表示全局最优解的集合；a图表示全局最优Pg刚好在集合A之中，也就是Pg自身就是一个全局最优解，显然微粒j可能收敛到集合A之中；b图表示全局最优位置Pg和Pj所在位置形成的线段也刚好在集合A之内，微粒j也可能收敛到集合A之中；c图和d图都是全局最优位置Pj和Pg所在位置形成线段与集合A不相交，如此不管微粒j如何变化，只要Pj和Pk保持不变，那么会一直收敛不到集合A中去。 图1 不同Pj和Pg的分布情况 相对图1中的c和d图的情况，给出了相应的解决方法（图2中a和b）。在图2中a情形，让微粒就不再仅仅收敛在Pj和Pg形成的线段上，还收敛在两者形成的某一个区域内。如此，因所形成区域可能和集合A相交，进而增加了微粒j进入全局最优解集A中的概率。对图2中b情形进行相同的分析。 图2 解决图1中c和d情形的方法 动态调整改进微粒群算法分析 根据r1和r2在0到1之间随机均匀分布，则β1=c1r1在[0，c1]上均匀分布，β2=c2r2在[0，c2]上均匀分布，从而β=β1+β2是[0，c1+c2]上的随机变量，而β可应用K、random表示，以限制β的变化范围，K是一个给定的数值，random是0到1间的随机数值。 现在分析Pj和Pg构成的某一个区域，可设Pg=Pg1，Pg2，...Pgk，Pj=Pj1，Pj2...Pjk，其中Pjk和Pgk分别表示Pj和Pk两点在第k的维分量，定义Pj和Pg间的距离是： （5） 为了保证搜索范围的测度在0以上，可考虑Z=（Pg1+Pj1/2，Pg2+Pj2/2，...Pgn+Pjn/2）作为圆心，ρ（Pg，Pj）/2作为半径的圆，结果在该圆中随机选择，则其搜索测度是πρ2（Pg，Pj）/4＞0，假设结果是PQ=（PQ1，PQ2，...PQn），那么得到： （6） 式（6）中，random，random1及random2是在0到1间的三个随机数值，Pd是一个预设定