一种新的基于模拟退火的粒子群算法.docVIP

一种新的基于模拟退火的粒子群算法 　　摘要：鉴于标准粒子群优化算法易陷入局部最优、收敛精度低，我们提出了一种改进的基于模拟退火的粒子群算法（NPSO）。将模拟退火算法的思想引入粒子群算法中，并对更新公式进行简化；提出了一种自适应随机惯性权重，实现了自适应平衡局部搜索和全局搜索的能力；提出了“优胜劣汰”的更新机制，加快了算法的收敛速度。与其它几种粒子群算法在4个基准测试函数上的实验比较，实验研究表明，NPSO算法的性能很好。 中国论文网 /8/view-7184433.htm 　　关键词：粒子群优化算法；惯性权重；优胜劣汰 　　中图分类号：TP18 　　文献标识码：A 　　DOI： 10.3969/j.is sn.1003-6970.2015.07.001 　　0 引言 　　粒子群算法（particle swarm optimizer）是1995年由美国的Kennedy博士和Eberhart博士首次提出的一种基于群智能的优化技术。尽管它与别的进化计算技术有很多相似处，但标准的粒子群优化算法并没有用到交叉、变异等进化算子。由于粒子群算法原理简单、需要调节的参数少、实现容易，如今已经受到了海内外学者和学术界的广泛关注，并对它进行了许多方面的改进。而且它已经在轨道电路补偿电容故障诊断、求解整数和混合整数约束优化问题、人脸识别、车牌定位、机位分配等许多领域得到了广泛应用。然而标准粒子群算法也存在如下缺点：寻找到的最优位置可能是局部最优位置而不是全局最优位置；参数的选择存在很大的不确定性；算法寻优初期收敛速度快而寻优后期收敛速度变慢。鉴于粒子群算法的这些缺点，很多学者对粒子群算法做了大量的改进。文献中提出了惯性权重因子并将它引入粒子群算法中，提高了算法的收敛速度和收敛精度；文献在分析了不确定性参数对算法影响的基础上，提出了基于维数选择策略的粒子群算法，并通过数值实验证明了它们有关随机参数的分析是正确可行的。文献分析了惯性权重、学习因子对粒子群算法的影响，构造了随机惯性权重，并在算法中引入了平均个体最优位置，提高了算法的性能；文献提出了基于模拟退火的粒子群算法，有效地对粒子群算法和模拟退火算法两种算法的优点分析并进行了融合，有利的提高了算法的全局寻优性能。 　　我们在分析了惯性权重的取值对粒子群算法影响的基础之上，将模拟退火算法的思想引入粒子群算法中，并引入了自然界“优胜劣汰”的更新机制。新算法结合了粒子群算法容易实现、全局寻优能力强及模拟退火算法具有概率突跳能力的优点，使得算法有效地降低了在搜索过程中陷入局部最优的可能性。 　　1 基本粒子群算法 　　粒子群算法是一种基于群体智能的具有全局搜索能力的优化方法。它通过粒子群体中不同微粒之间的相互合作和竞争来实现在寻优空间中的搜索过程以找到问题的最优解。系统首先随机的初始化一组微粒，然后微粒在搜索空间中跟随两个极值位置来进行搜索。假设粒子群的搜索空间为m维，微粒的个数为popsize，第i个微粒在t时刻的飞行速度和在搜索空间中的位置分别为 　　，微粒在f时刻的个体极值位置和群体极值位置分别为 　　其中ω国为惯性权重；C1，c2是学习因子，一般取非负数；r1，r2是介于[0，1]之间的随机数。对于算法的迭代终止条件，我们一般会根据不同的具体问题而设定不同的值。通常将上面描述的带有惯性权重系数的粒子群算法称为标准的粒子群算法。 　　2 模拟退火算法 　　模拟退火算法是模拟金属在高温状态下缓缓降温的热学过程而提出的，如今已经大量的应用于许多现实问题中。模拟退火算法首先给定一个初始温度，随机选择一个初始状态并对它的目标函数值进行评估；对当前所处的状态微扰，计算新状态的目标函数值；以100%的概率接收较好的值，而以事先给定的概率P接受较差的值，直到算法冷却。模拟退火算法在空间搜索时拥有按照一定概率进行突跳的能力，在整个退火的过程中不但能接受较好的值，而且可以按照事先给定的概率P接收较差的值，能防止算法陷入局部最优。 　　3 改进的粒子群算法 　　3.1 简化的粒子群算法 　　标准粒子群算法同时具有速度更新和位置更新两项，使得粒子的搜索方向和步长的大小存在不确定性，导致算法的进化后期收敛速度很慢，搜索精度降低。并且，模拟退火算法在寻找最优位置的过程中拥有按照给定概率进行突跳的能力，可以有效的降低算法陷入局部最优位置的概率。鉴于上述分析，为了尽量避免粒子群算法所拥有的缺点并同时结合模拟退火算法所拥有的优点，我们对标准粒子群算法省略了速度更新部分，使得二阶迭代方程降为一阶，并结合模拟退火算法对位置更新部分进行了改进，如下： 　　其中，T（pbesti）表示在模拟退火中当前温度状态下第i个粒子的适配值，zbest是采用轮盘赌策略从所有pbesti中选择出的全局最优点gbest的