分组粒子群优化算法.pdfVIP

维普资讯 第6卷 第 2期 广州大学学报(自然科学版) Vo1．6 No．2 2007年 4月 JournalofGuangzhouUniversity(NaturalScienceEdition) Apr． 2007 文章编号：1671-4229(2007)02-0064-04 分组粒子群优化算法 叶海燕 ，陈毓灵2，高 鹰2 (1．广州大学 数学与信息科学学院，广东 广州 510006；2．广卅I大学 信息与机电工程学院，广东 广州 510006) 摘 要：分组PSO算法将粒子群分成几个小群，每个小群有不同的进化参数且每个小群分别进化，在间隔一定 时刻进行组间变异和重组操作，并且在重组的同时对各小组参数进行粒子群优化，相比普通粒子群算法无论在 收敛速度还是在精度和操作方便性上都有提高． 关键词：粒子群；t)SO；分纽粒子群；快速寻优 中图分类号 ：TP301．6 文献标识码 ：A 0 引 言 1 动态惯性权 因子PSO 粒子群优化算法(PSO)是一种较新仿生智能 动态惯性权因子 PSO由A．Chatterjee和 Siar— 算法，最早由KennedyJ和 EberhartR于 1995年 ry于2006年在原始PSO算法的基础上改进而成． 提出_】J，其模仿鸟类和鱼类觅食时的行为模式，在 其主要思想是在更新粒子速度时，对原有速度加 优化问题中表现出很好的寻优特性．它没有遗传 入一个惯性系数，使粒子表现出物理运动的 “惯 算法中复杂的遗传操作 J．由于PSO算法具有收 性”表现，并且惯性随着迭代进行能够改变．即速 敛快、收敛精确以及容易计算机实现的特点，算法 度更新方程为 受到了广泛的关注并出现了许多改进算法_3J． rUi一 =W( )+ (P 一 )+ g(Pg一 ) 2006年，A．Chatterjee和 Siarry在原有PSO算法的 i=={! )(。z——z。z)z。z 基础上加入动态惯性因子_9J，使算法的收敛精度 大幅提高，PSO算法也趋向完善． (1) 但即使加入了动态惯性因子，PSO算法仍有 其W中即为惯性权因子，W的调整受3个参数影 一 些缺陷，如收敛到一定精度后即 “原地不动”不 响：惯性指数 rt，初始惯性因子w ，终止惯性因子 再继续收敛，另外加入惯性因子后给PSO算法带 ． 惯性因子 w的取值对算法的影响非常大． 来了更多的参数，不同的参数设置对PSO算法的 表 1给出一个在4维 Sphere函数上的测试，其中 影响颇大，而这些参数的设置至今也没有统一的 自身学习率0．3，社会学习率0．7，迭代次数 100． 做法，纯粹靠个人经验设置，因此给PSO算法的应 表 1 惯性 因子对精 度 的影响 用带来了一些困难． Table1 Theeffectofinertiaweighttoprecision 本文提出的分组PSO算法具有重组和变异操 0．6 0．7 0．8 0．9 1．0 作，降低了陷入局部最优解的可能性，并且在引入 精度 1e一20 1e一14 1e一9 1e一5 le一25 算法参数的自动优化后降低了参数设置不当对算 法的影响，使PSO算法具有更好的适应性．