动态微粒群算法的改进的探究.pdfVIP

第一篇 复杂系统与复杂网络 23 动态微粒群算法的改进研究’ 单世民邓贵仕 (大连理工大学系统工程所，辽宁大连，116023) 摘要：本文针对复杂动态环境下的微粒群算法提出了一种改进的方法。同时，利用由DFI 生成的复杂动态环境对算法进行了验证，并将其与APSO算法进行了对比。实验结果证 明，在复杂的动态环境中，本文的算法比APSO的算法具有更好的适应性。 关键词：APSO；动态环境；微粒群算法；DFl 1 引言 Swarm 微粒群算法(Particle 出的一种新的群体智能算法。该算法来源于对鸟类觅食行为的模拟。从出现至今，微粒群算 法在很多领域的静态优化问题中得到广泛的应用。然而，在实际环境中遇到的问题比较复 杂，往往随时间变化。所以，将微粒群算法应用到动态系统中追踪动态系统极值的变化成为 一个新的研究领域。 出了APSO。但目前在动态环境下基于PSO算法的研究大多使用的是以球型函数为基础的动 Li和 态环境，不能体现算法对于复杂环境变化的适应能力。为了验证算法性能，Xiaodong Khanh Hoa PSO算法可以追踪动态环境中变化的极点，但是结果并不理想。因此本文提出一种改进的自 ParticleSwarm Adaptive 适应微粒群算法(Improved 数”及使用分布式系统响应方式提高其适应性。本文首先介绍了动态环境下的PSO算法， 然后详细说明了IAPSO算法。在实验中，本文使用DFl函数生成器生成的复杂动态环境对 算法进行了验证，并与APSO方法进行了对比，结果表明该算法在复杂动态环境中具有较强 的适应性。 2动态环境下的PSO算法 要将PSO算法应用在动态环境中，需要对其进行两方面关键的改动：第一是使种群或 微粒获得感知外部环境变化的能力。第二是在发现环境变化后，采取某种响应方式对种群进 ‘国家自然科学基金资助项目 2005中国管理科学与工程发展报告 入感应微粒的方式解决。对于第二方面改动，两者都是以种群为基本对象进行重新初始化处 理。但是，两种方法分别存在以下不足。 对于E．PSO方法，由于其用于检测环境变化的方式是通过对最优值停滞情况的观察， 此方法在复杂环境下对环境变化不能保证采取及时反应，其最优值允许停滞时间的设定值严 重地影响算法的性能。 而对于APSO算法，最明显的不足是，当某一时刻种群已经收敛到某一极值，同时此极 值所在区域是一个静止区域(可能是暂时的)，其他区域不断地变化时，由于所有的感应微 粒都处于静止区域，种群失去了对其他区域变化的感知能力，不能追踪到最新的极值。 3改进的PSO算法(IAPSO) 针对以上不足，本文提出的L廿SO算法主要进行了三方面改进，并在此基础上为算法 加入了新的特性。三个主要的改进方面分别是：使所有的微粒均能检测出环境的变化；采用 分布式处理模式；引入活性因数。 通过使全部微粒具有检测环境变化的能力，可以保证算法对环境变化反应的及时性。每 个微粒在进行速度更新操作前都检查个体极值位置的适应度取值变化情况。这种设置在一定 程度上和APSO中所有的微粒均为感应微粒的情况相似，但是两者存在两方面差异。第一， 在IAPSO中用于实现检测环境变化的方法是比较微粒个体极值位置的适应度取值变化，而 APSO则是检测感应微粒在未更新时所处位置的适应度取值变化。相比较而言，IAPSO中 的方法在相同的计算代价下节省了存储空间。第二，在发现环境变化所采用的响应方式方 面，IAPSO方法中每个微粒在检测到环境变化后立即对微粒本身进行重新初始化，而APSO 方法则要等到一定数量的感应微粒检测到环境变化后对整个种群进行重新初始化操作。 分布式处理模式使得某一微粒在检测到环境的变化时，微粒本身被重新初始化而不对群 体中的其他微粒发出信号，从而减少了集中控制因素，避免了采用集中式处理模式时对无关 微粒的