混沌粒子群混合优化算法.pdfVIP

混沌粒子群混合优化算法 王大均，李华平，高兴宝，赵云川 四川蜀渝石油建筑安装工程有限责任公司，四川成都（610017 ） 摘 要：粒子群优化算法（PSO ）具有收敛速度快但易陷入局部最优点的特点，因此本文将 在结合混沌运动的遍历性、伪随机性和对初值的敏感性等特点的基础上，对粒子群优化算法 进行了改进，提出了一种基于混沌思想的粒子群优化算法（CPSO ），该算法保持了群体多样 性，增强了 PSO 算法的全局寻优能力，提高了算法的计算精度，改善了收敛性和鲁棒性， 很大程度上避免了算法停滞现象的发生，是一种有效的优化搜索算法。 关键词：混合优化算法；混沌优化算法；粒子群优化算法 1. 引言 粒子群算法PSO(Particle Swarm Optimization) 是Kennedy J 与Eberhart R 于 1995 年借鉴 鸟群和鱼群捕食过程的社会行为提出的[1] 。该算法具有程序简单、控制参数少、寻优结果与 初值无关、且具有一定的并行性等特点，因此从开始研究到现在短短的十年时间里，表现出 强大的优化功能，被广泛应用到函数优化、神经网络训练、人工智能、模糊系统控制等领域。 PSO 作为一种更高效的并行搜索算法，非常适于对复杂环境中的优化问题的求解，成为目 前进化计算研究的一个热点。但是标准的粒子群算法表现出强烈的“趋同性”，对于单调函数、 严格凸函数或单峰函数，能在初始时很快向最优解靠拢，但在最优解附近收敛较慢，对于多 峰函数更易出现早熟现象以及运算量较大等缺点。 混沌学的诞生是 20 世纪人类科学史上继相对论和量子理论之后的第三次革命，混沌是 指在确定性系统中出现的随机状态，为非线性系统的一种演变现象，它不是由随机性外因引 起，而由确定性规则导致的对初始条件非常敏感的无固定周期的长期行为[2] 。混沌运动能在 一定范围内按其自身不重复地遍历所有状态，初始值条件极其微弱的变化会引起系统行为巨 大变化。因此，本文将在对标准粒子群算法改进的基础上，将混沌思想引入到粒子群算法中， 避免了易陷入局部最优值的缺点，大大改善了粒子群算法的优化性能。 2. 粒子群优化算法的改进 2.1 标准粒子群优化算法 假设搜索空间是 D 维的，搜索空间有 m 个微粒，每个微粒的位置表示一个潜在的解， → 微粒群中第 i 个微粒的位置用 X i (x i1 , x i 2 , L, x iD )表示，第 i 个微粒的速度表示为 → V (v , v , L, v ) 。第 i 个微粒经历过的最好位置 ( 有最好适应度 ) 记为 i i1 i 2 iD → Pi (p i1 , p i 2 , L, p iD )，称为个体极值p best 。整个微粒群迄今为止搜索到的最好位置记为 → ( )，称为全局极值g 。对于每一个微粒，其第 d 维(1≤d ≤D )， Pg p g 1 , p g 2 , L, p gD best 根据如下等式变化： -1- ⎧ t+1 t t ( t t ) ( t t ) ω + − + − vid vid c r p id xid c r p gd xid ⎪⎪ t +1 t t +11 1 2 2 ⎨xid xid +vid （1） ⎪ i 1,2, L,m;d 1,2, L,D ⎪⎩ 式中： ω——惯性因子；c 、c ——学习因子；r 、r ——[0,1]之间的均匀分布随机