欧氏Steiner最小树的粒子群优化算法研究.pdfVIP

欧氏Steiner最小树的粒子群优化算法研究术 吴伶王晓东 福州大学数学与计算机学院，福建福州350002 摘要：欧氏Steiner最小树问题是组合优化中的一个NP难题。该文提出了基于最小代价生成树算 法的传统粒子群优化算法和惯性权重线性调整粒子群优化算法，应用于欧氏Steiner最小树的求解，并 在微机上予以实现。经大量实例测试和结果比较，获得了满意的效果。 关键词：粒子群优化Steiner最小树最小代价生成树惯性权重 1引 言 SteinerMinimum (Euclidean Tree，ESMT)，在实际中有着广泛的应用，如超大规模集成电路设计、交通线 路规划、车辆调度与编组等。虽然已有精确算法可用于求解此类问题，但由于欧氏Steiner树问题已被证 明是组合优化中的一个NP一难题，因此，设计各种快速启发式算法以寻求问题的近似解是合理可行的，人 们已经提出了许多智能解决方法12刊，但基于粒子群优化算法(PSO)的改进和优化却几乎没有。 本文将给出用于求解欧氏Steiner最小树的粒子群优化算法及其改进：静态S点粒子群优化算法 最优。 2欧氏Steiner最小树问题及其粒子群优化算法(PSO) 2．1欧氏Steiner最小树问题 ESMT是指对给定欧氏平面上的原点集P(称正则点集)，确定连接P的最短网络问题。即其可引入辅助 点集S(称斯点集)，使由这些正则点和斯点连成的网络树总长最小，其中两点间的长度定义为它们之间的欧 几里德距离。因此，欧氏Steiner树问题也就是寻求点集s，使得连接PUS的生成树最小化。有关ESMT 的理论【l】很多，在此仅列出几条需要用到的性质： 性质l：设SMT的原点为n个，则斯点数9—2。 性质2：假设由n个原点所围成的区域为凸包，则所有斯点都必定包含在凸包内。 为s，该算法的复杂度为O((n+s)2)。 ‘基金资助l福建省自然科学基金(A05 10008)． 作者简介。吴伶(1985一)，女，硕士研究生，主要研究领域为人工智能与算法；王晓东(1957·)，男，教授，主要研究领域为数据 结构、算法设计与分析． 匦茎§!宝|!：!星尘盟丝蕉王登垡丝基鎏丛窒 212 2．2粒子群优化算法(PSO) R J于1995年提出的一种优化算法．在PSO算法中， 粒子群算法(PSO)是美国学者EberhartC和Kennedy 用粒子的位置表示待优化问题的解，每个粒子性能的优劣程度取决于待优化问题目标函数确定的适应值，每 个粒子由一个速度矢量决定飞行方向和速率大小。PSO算法是通过粒子追随自己找到的当前最优解和整个 群的当前最优解来完成多维复杂空间的高效搜索。 即在一个D维的目标搜索空间中，设有m个粒子组成一个群体，则第i个粒子在D维搜索空间中的位置 vt=(％，vi2…．，％)7，i=1，2…．，耽 ， 开始执行PSO算法时，首先随机初始化为一群随机粒子，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：第一个是粒子本身所找到的最优解，即个体极值 i=l…2一m；另一个是整个种群目前找到的最优解，即全局最优值 pbesti=(砌，Pl：…．，％)T gbest=(p。，p：，．．，，p。)7。在搜索过程中，粒子根据如下的公式15]来更新自己的速度。 (1) 瞄1=屹+瞄1 (2) 随机数：w是惯性因子，cl，C2是学习因子。 该算法简单易实现，可调参数少，是非线性连续优化问题、组合优化问题和混合整数非线性优化问题的 有效优化工具。目前PSO算法已广泛应用于函数优化，神经网络训练，医疗诊断，模式分类、模糊系统控 制、数据挖掘以及其他遗传算法的应用领域。 2．3欧