自我调节粒子群优化算法(修改版).docVIP

自我调节粒子群优化算法 摘要： 在这篇文章中我们结合了最好的人类学习策略提出了一种寻找最优解决方案的新粒子群优化算法。这种新算法就是指自我调节粒子群优化算法（SRPSO）。人类认知心理学的研究表明最好的规划者调节策略。第一使用自我调节惯性权重和第二使用对全搜索方向自我最好粒子自我调节惯性权重探索其他粒子全搜索方向自我感知智能开发解决方案空间。CEC2005中选用25个指标函数雷达系统设计的一个真实问题SRPSO算法(BBPSO)、全面学习粒子群算法(CLPSO)等六个最新的粒子群算法作了比较。提出的这两个学习策略SRPSO实现更快的收敛大多数问题提供更好的解决方案CEC2005问题中不同算法的性能评估，统计分析表明SRPSO比其他算法置信水平为95%。近年来,许多实际的优化问题,如非线性过程控制,结构设计,分组问题,挖掘等等已经变得极其复杂使用传统的优化算法难以解决。这些问题,自然搜索优化提供更好和有效的解决方案。自然优化算法粒子群优化(PSO)算法是一个计算有效和简单。Kennedy and Ebenhart 引入的。由于和易于在不同基准和工程问题提供接近最佳解决方案目前PSO已经成为最优先选择的优化算法是鸟类聚集和鱼协作群体行为群体中的每个成员使用自己的经验更新其搜索模式,即和其他成员,在整个搜索过程中彼此分享信息确保他们都朝着最优解决方案最近,研究人员致力于开发新的PSO算法,避免这种[1,57]中PSO实际应用从PSO算法这些变大致可以分成四类即基于邻域拓扑算法基于学习策略算法简要概述上述类别的PSO算法选择算法控制参数的正确选择如惯性权重、加速系数显著影响收敛。惯性权重是定,线性,线性,模拟退火,高斯,随机,非线性,指数和模糊自适应最近的一项研究表明,线性递减惯性权重是最适当的,因为它是最简单、最有效的进一步,研究人员研究了加速系数在自我和社会认知PSO算法收敛最近[79,2]提出了一对惯性权重和加速系数自适应参数选择方案。[33,15]中提出了非均匀参数调优PSO[12]中引入收缩因控制速度某些问题非常有效。基于邻域拓扑算法最初像全连接冯诺依曼Von Neumann）形式的不同类型的拓扑结构,随后提高PSO算法的探索能力其他拓扑结构。更新每个粒子的位置(FIPS)）的信息流拓扑的信息[37]中提出了动态变化的拓扑, 而不是使用一个固定的拓扑并命名为动态粒子群优化(DMSPSO)。[46,76,84]中应用了许多邻域拓扑的变体。 基于学习策略算法最近提供更好的收敛。这包括教学和同行学习,双向教学和同行学习,自适应双层PSO与精英学习策略,PSO正交学习策略,自适应学习,衰老机制转换,基于距离的本地通知PSO,细胞PSO,多层粒子群优化和一个新的PSO估计策略。紧凑的粒子群优化高效的硬件利用率一个新兴发展的多群在用于增加群的多样性粒子群优化(BBPSO)BBPSO算法用到基于搜索空间高斯分布群的结构和搜索用于分布的平均值和标准偏差结合了开发功能因此这有助于保持粒子的多样性,避免过早收敛可以其他粒子最终局部最优。多交叉机制和该算法采用基于自我和自我学习策略自调节惯性权重只使用没有自我或社会认知加速最好粒子由于粒子采用自调节搜索和感知(SRPSO)。这篇文章使用CEC2005基准问题研究了这些策略对收敛的影响箱线图箱线图显示了SRPSO收敛使用CEC200525个基准问题评估SRPSO的性能六个最先进的PSO变体(DMSPSO)和充足通知粒子群算法BBPSO）、统一粒子群优化（UPSO）、全面学习粒子群优化（CLPSO）。使用CEC2005指南评估了这一结果，表明SRPSO在许多提供结果接近全局最优非参数弗里德曼测试统计比较分析?Bonferroni-Dunn 测试应用到统计比较分析中。基于SRPSO实验结果和统计分析为基准问题提供准确的解决方案SRPSO明显比选择6个变SRPSO计算很复杂，并且我们将SRPSO计算复杂性和其他的算法作了比较。我们还实际雷达系统设计测试了SRPSO的性能SRPSO提供了更好的解决方案。自和自我帮助SRPSO收敛更快接近全局最优的解决方案。理解SRPSO算法第二简要描述了基本PSO算法。CEC2005基准问题SRPSO统计重要性。同时，还SRPSO的计算复杂和收敛性分析。粒子群优化算法的简要概述粒子群优化是一用于寻找最优解搜索优化技术沿着D -维搜索空间均匀初始化,和一个速度向量，为了更新粒子的速度和位置将下面两个等式应用到算法中： 这里Vid和Xid分别是第i个粒子在第d维空间中的速度和位置。t和t+1分别代表当前和下一个迭代，表示第d维空间中第i个粒子最优位置，表示第d维空间中所有粒子所发现的最优位置。C1和c2表示加速系数，r1和r2表示在区间[0,1]分布均匀的随机数，PSO算法