PSO研究现状综述.pdfVIP

粒子群优化算法研究现状综述 whitewatercoffee@ Kennedy 与 Eberhart 通过对鸟群觅食过程的分析并模拟，于 1995 年最先提 出了原始的 PSO 算法[15][16] 。随后，Shi.Y 和 Eberhart 分析了 PSO 算法的参数选 择，并将一个重要的参数――惯性权重引入 PSO[17][18]，并相继提出了线性递减 惯性权重 LDIW[18]、模糊惯性权重 FIW[21]和随机惯性权重 RIW[25]，文献[26]讨 论了一类非线性惯性权重策略。其他的研究者也提出了一些不同的惯性权重策 略，这些改进的主要特点是：将可以表征算法优化进程的某些变量(如平均粒距、 分布商等) ，通过对惯性权重的自适应调节，以平衡算法的全局探测与局部开发 能力[27][28][29] 。除了对惯性权重的关注外，文献[22][30]对加速度系数、边界条件 等参数的设置，也进行了相关的研究。 在算法的数学分析上，与 GA 算法相比，PSO 算法尚缺乏严格的数学基础。 粒子群系统本身是非线性离散时间系统，目前主要是将其简化为确定型线性离散 时间系统，通过对单个粒子在一维或多维上的运动规律的分析，研究粒子运动的 内在特性。如Clerc 对算法的参数选择和收敛性进行了初步的数学分析，引入收 敛因子以保证算法的收敛[19] ；Trelea 在文献[31]中也对参数选择和收敛性做了一 定的分析；Ozcan 和 Mohan 对原始 PSO 算法进行了数学分析，指出停留在离散 时间状态的粒子轨迹是连续的正弦波形，粒子不断从一个幅度与频率的正弦波跳 [32][33] 跃到另外一个幅度与频率的正弦波上，如此在解空间中寻找更优值 。 与其它优化算法一样，PSO 算法同样存在着收敛速度和收敛质量之间的矛 盾。为了获得更好的优化性能，研究者们通过借鉴其它优化技术的思想，提出了 各种改进的 PSO 算法。Angeline 通过引入 GA 中的选择机制得到混合 PSO(HPSO)[34] ，该算法提高了收敛速度，但也增加了陷入局部极值的可能，尤 其在优化 Griewank 函数时效果较差；Lovbjerg 和 Rasmussen 等提出了具有繁殖 和子群的杂交 PSO 算法[35]，将 GA 中的交叉机制引入 PSO ，由于后代选择并不 是基于适应度值，防止了基于适应度值选择对那些多局部极值的函数优化时带来 的潜在的问题，从理论上讲繁殖法可以更好地搜索粒子间的空间，这对于优化多 模态函数很有利，但是对于单模态函数优化效果较差；文献[36]将变异机制引入 PSO ，随着迭代的进行对粒子位置施加线性递减的高斯扰动，有效的避免了粒子 陷入局部极值的可能，同时扩大了粒子的搜索空间，提高了算法发现最优值的概 率。仿真表明，该算法在优化大多数测试函数时表现出了很好的效果，但是对于 Rosenbrock 函数优化效果并不如基本 PSO ；文献[37][38]深入分析了不同均值和 方差的高斯变异操作对增强算法性能的影响。另外，文献[39]将混沌搜索嵌入 PSO 之中，利用混沌运动的遍历性以提高 PSO 摆脱局部极值点的能力；文献[40] 把免疫系统的免疫信息处理机制引入 PSO 之中；文献[41]将模拟退火机制引入 PSO 之中；等等。这些改进的主要特征是：以 PSO 算法为基础，采用类似其它 优化技术的某些机制，以提高算法的性能。 此外，很多的研究者也尝试着研究将其它的优化技术与 PSO 相结合、能充 分发挥各个算法优点的混合算法。如 Noel 等人提出一个利用梯度信息的混合 PSO 算法[42] ；Parsopoulos 提出采用非线性单纯形方法(Nonlinear Simplex Method, NSM)来初始化 PSO 种群[43] ；Victoire 等人则提出集成 PSO 算法与序列二次规划 方法(Sequential quadratic programming，SQP)[44] ；Juang 提出将 GA 与 PSO 混合， 形成一个 HGAPSO 算法[45