模拟退火改进粒子群优化算法求解优化问题.pdfVIP

第 卷第 期 柳 州 师 专 学 报 年 月 模拟退火改进粒子群优化算法求解优化问题 汪 灵 枝 （柳州师范高等专科学校 数学与计算机科学系，广西 柳州 ） 摘 要：针对粒子群优化算法后期易陷于局部最小的缺点，引入模拟退火思想，建立模拟退火—粒子群优化算 法。通过求解函数优化问题对比实验，表明改进后的粒子群优化算法增强全局寻优能力，搜索成功率大为提高。 关键词：粒子群优化算法；模拟退火；优化 中图分类号： 文献标识码： 文章编号： （ ） 引言 美国学者 和 于 年提出的粒子群优化算法（ ， ）是基于对鸟群、鱼 ［ ］ 群等自然生物群体行为的模拟 他们最初的设想是仿真简单的社会系统，研究并解释复杂的社会行为，后来发现粒子群优 化算法可以用于复杂优化问题的求解 因此， 算法一提出，立刻引起了演化计算等领域的学者的极大关注，并在短短几年 内涌现出大量的研究成果，形成新的研究热点 目前， 算法已广泛应用于函数寻优、神经网络训练、模式分类、模糊系统控 制以及工程应用领域［ ］，［ ］ 但 后期受随机振荡现象的影响，使其在全局最优值附近需要较长的搜索时间，收敛速度慢， 极易陷于局部极小值，这也成为 算法进一步发展的“瓶颈” 为此，众学者随即提出了 的改进算法，如模糊自适应 ［ ］ ［ ］ 算法、自适应变异 算法、协同计算 算法等 模拟退火算法（ ， ）是在模拟固体退火过程的基础上发展起来的一种整体最优化算法，它具有较强的 全局优化搜索能力，不受搜索空间的限制假设约束，不要求具备连续性、可导性或单峰等假设，算法既可接受好解，也可以一 定的概率接受劣解，这使得模拟退火算法即便落入局部最优的陷阱中，理论上经过足够长的时间后也可跳出来，从而收敛到 全局最优解 本文将其引入 算法的后期寻优，根据粒子群进化后的适应值进行概率接受，既接受优化解，也可以接受恶化 解，跳出局部极小，自适应调整冷却温度，迭代找到全局最优解，并保证了算法的收敛性 利用建立的模拟退火—粒子群优化 算法（ 算法）求解一类组合优化问题，实验结果表明，改进的 算法与基本的 算法，单纯的模拟退火算法和遗传 算法比较，无论是最快迭代次数还是最慢迭代次数，以及收敛性能均不同程度地优于其它算法，搜索成功率大为提高 粒子群优化算法 基本原理 算法与其他演化算法相似，也是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域，然而它不像其他 演化算法那样对个体使用演化算子，而是将每个个体看作 维搜索空间中的一个没有体积的粒子（点），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其飞行方向 和速率大小，这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整 设 个粒子在 维搜索空间中随机组成一个群体，在第 次迭代时，第 个粒子的位置表示为： （ ） （ （ ）， （ ），