双评价粒子群优化算法.pdfVIP

№．1 陕西科技大学学报 Feb．2012 V01．30 8L JOURNALOFSHAANXIUNIVERSITYOFSCIENCETECHNOLOGY·93· + 文章编号：i000—5811【2012)oi一0093—04 双评价粒子群优化算法 张媛媛，高兴宝 (陕西师范大学数学与信息科学学院，陕西西安 710062) 摘要：提出了双评价粒子群优化算法．该算法可对迭代后的粒子进行位置和适应值的双评 价，并可根据评价结果对适应值和位置不好的粒子进行柯西变异或者高斯变异，克服了标准粒 子群优化算法因对迭代后粒子的优劣不进行评价而使部分粒子进行无意义的探索和开发的缺 陷．实验结果表明改进的算法加快了粒子群的探索速度，提高了开发全局最优解的精度． 关键词：粒子群优化算法；柯西变异；高斯变异 中图法分类号：TP301．6 文献标识码：A 0引 言 Swarm 作为进化算法之一的粒子群优化算法(Particle 活动以及群体智能的全局随机搜索算法．由于粒子群优化算法的模型和计算比较简单，全局优化能力强， 且能够解决高维多目标优化问题，因此已成功应用于函数优化、模糊系统控制、神经网络训练等． 自从1995年PSO被提出后，国内外专家在其理论、算法改进及应用方面的研究都取得了很大的进 些拓扑结构在Fully 同的迭代阶段用不同的拓扑结构动态地改变算法的探索和开发能力，在保持种群多样性和算法收敛性上 取得了动态的变化和平衡，提高了算法的整体性能[5]．另外，研究者还通过将其他搜索算法与PSO算法相 结合，得到了许多不同性能的PSO混合算法，如Chen等人将遗传算法中的变异算子和交叉算子引入到 行了混合[8]．以上对PSO的改进仅限于结构和与其他算法的混合，本文从粒子群的个体出发，不但对迭代 后粒子与上一代粒子的适应值进行评价，还评价了它们的位置，根据评价结果对每个粒子进行不同的操 作，从而提高了整个粒子群的搜索速度和求解最优解的精度． 1粒子群优化算法 在粒子群优化算法中，通过随机产生一定数目的粒子作为问题搜索空间的可行解，然后进行迭代搜 索，直到找到最优粒子．每个粒子都有自己的位置和速度，其优劣依据适应值来评价，即根据问题定义的 适应度函数的值来评价；粒子根据自己的历史最优和群体的全局最优解决定下一次的位置和速度，进行不 *收稿日期：2011-10—17 作者简介：张嫒嫒(1983一)，女，陕西省榆林市人，在读硕士生，研究方向：最优化理论与算法、智能计算 基金项目：国家自然科学基金资助项目10902062) 万方数据 ·94· 陕西科技大学学报 第30卷 断的更新，使其在问题搜索空间进行探索和开发，最终找到全局最优解． 设在一个D维目标搜索空间中，有N个粒子组成一个群体，第i个粒子的位置、速度和个体最优可用 向量分别表示为： z1一(zi，z；，…，xb)，∥一(勘i，7f12t，…，口b)，P2一(户i，P2，…，Pb)，(i一1，2，…，N) z，…，gbestD)，则其速度和位置的更新公式如下： 群体探索到的最优位置为：gbest一(gbest。，gbest (1) z：(t+1)一z：(￡)+勘：(t+1) (2) 其中W是惯性权值，c。和c。是加速系数，r。和，．。是两个[o．1]区间的随机数，t是迭代次数． “社会项(social)”，分别表示粒子自身的思考和对社会的认识．前一次迭代速度起到平衡全局和局部搜索 现了粒子间的信息共享．三项的共同作用使粒子在搜索