最优化算法--第三章第4、5小节.pptVIP

其中 ,w为惯性权重，用以确定该微粒的先前速度的保留情况。c1,c2是两个正的加速因子，r1,r2为（0,1）的随机数分布序列。pi表示微粒i所得到的最优位置,pg,j表示所有微粒得到的历史最优位置。 3.4 利用收敛性分析所做的改进 姓名： 学号： 班级： 3.4.1 保证收敛的改进微粒群算法 3.4.2 保证全局收敛的随机微粒群算法 3.4.1 保证收敛的改进微粒群算法 PSO算法有过早收敛的可能，F.van den Bergh 提出了具有局部收敛性能的改进微粒群算法GCPSO，同年，有人讨论了GCPSO的局部收敛性能，并指出了该算法不具有全局收敛性能。 进一步讨论GCPSO的性能： 当微粒现在的位置为当前种群的最优位置时，即xi,j=pi,j=pg,j，则有 , 这时微粒i将沿着一条直线方向进行搜索，对于整个区域而言，沿直线进行搜索，其发现更好解的概率几乎为0，因而效率极低。 问题：即便该方向上存在更好解，也可能在搜索到该解之前停止进化，从而导致过早收敛。 解决方法：设τ是当前最优位置所在的下标，则有yτ=p。为了保证该微粒能正常移动，我们引入下面的速度进化方程 此时微粒τ的进化方程为 其中参数ρ(t)按下式进行更新： 3.4.2 保证全局收敛的随机微粒群算法 为了描述方便，这里重新描述一下微粒群算法(PSO)的进化方程为 ω=0，微粒的飞行速度只取决于微粒