一种新的混合粒子群优化算法.pdfVIP

第24卷第3期 重庆工商大学学报(自然科学版) 2007年6月 V01．24No．3 TechnolBusiness Sci JChongqing Univ．(NatEd) Jun．2007 文章编号：1672—058X(2007)03—0241—05 一种新的混合粒子群优化算法 张世勇 (1．重庆工商大学理学院，重庆400067；2．重庆大学计算机学院，重庆400044) 摘要：将禁忌搜索思想引入粒子群优化算法中，改进惯性权重，添加罚函数重新构造适应 度函数；在此基础上，提出了一种基于禁忌搜索的新的混合粒子群优化算法(NHPSO)，通过4个 标准测试函数实验，结果表明：NHPSO算法比基本粒子群优化算法(PSO)具有更好的全局寻优 能力、更快的收敛速度以及获得更高精度解的能力。 关键词：禁忌搜索；粒子群优化算法；混合粒子群优化算法 301．6 中图分类号：TP 文献标识码：A In- Swarm telligence)演化计算技术。粒子群优化(Particle 由于其简单、有效、收敛速度较快并且有深厚的智能基础等特点，使得该算法不仅适合科学研究，而且又 特别适合工程应用，因此，近年来受到学术界的高度关注。目前粒子群优化算法已经在函数优化、神经网 络训练、模式分类、模糊系统控制及其他可以使用遗传算法的领域得到了广泛应用。但是粒子群优化算 法也具有容易陷入局部最优，进而导致结果精度低和后期收敛速度慢的缺点。目前，已经有众多学者针 对这一缺点提出了不同的改进算法，其改进主要集中在以下几个方面：基于惯性权重【3J、学习因子等控制 参数的改进[3，41；基于个体极值和全局极值的改进；基于引入其他算法思想的改进。其中，基于引入其他 算法思想的改进最多，比如引入模拟退火算法思想的改进、引入免疫算法的改进、引入遗传算法的改进等 等【5冉】。这些改进，在不同程度上提高了算法的收敛速度和精度，但效果并不十分理想。在此采用控制参 数与引入禁忌思想相结合的方式来改进粒子群优化算法，给出了基于禁忌搜索的新混合粒子群优化算 法，该算法结合了粒子群优化算法具有的全局寻优能力、实现简单和禁忌搜索算法具有的较强的跳出局 部最优解的能力，避免了粒子群优化算法易陷入局部极值点的缺点，提高了进化后期算法的收敛速度和 解的精度。4个基准测试函数的对比实验结果说明了所提出的基于禁忌搜索的混合粒子群优化算法优于 基本粒子群优化算法。 1 粒子群优化算法和禁忌搜索算法 Swarm 粒子群优化算法(Particle 为基本粒子群算法。它与遗传算法类似，是一种基于迭代的优化算法。算法初始化为一组随机解，通过 粒子在解空间追随局部最优和全局最优的粒子来搜索最优值。算法把优化问题解空间的每个解都看成 是搜索空间中的一只鸟即一个“粒子”，每个粒子有一个位置(一个向量)来决定粒子在搜索空间中所处的 位置，每个粒子有一个速度(与位置同维数的一个向量)来决定粒子飞翔的方向和距离，所有的粒子都有 收稿日期：2007一01—18：修回日期：2007—03—21。 作者简介：张世勇(1973一)，男，重庆潼南人，助理实验师，从事信息网络和数据挖掘研究。 万方数据 242 重庆工商大学学报(自然科学版) 第24卷 一个由被优化的函数或者构造的目标函数决定的适应度值，在每一次迭代中一个粒子有一个个体极值， 在每一次迭代中所有粒子共同拥有一个全局极值，粒子就追随个体极值和全局极值在解空间中搜索。 IX30算法中粒子是基本的组成单位，代表解空间的一个候选解。设解向量为m维变量，则当算法迭代次数 为k时，第i个粒子的位置、速度和适应度函数可以分别表示为：