一种新的粒子群遗传混合优化算法的研究.docVIP

一种新的粒子群遗传混合优化算法的研究 　　【摘 要】针对粒子群算法容易陷入局部最优解且收敛速度慢等特点，本文引入了遗传算法，将两种算法相结合，提出了一种新的粒子群遗传混合优化算法，提高了粒子群的多样性，使得粒子群在整个迭代过程中能保持进一步优化的能力，并提高迭代求解的收敛速度。通过对三个典型多峰值函数的优化来评估算法性能，实验结果表明，该算法能很好的保持种群的多样性和克服早熟现象，显著提高算法的收敛速度。 　　【关键词】粒子群算法；遗传算法；混合算法 　　一、绪论 　　粒子群优化算法PSO（Particle Swarm Optimization）是由Eberhart博士和Kennedy博士发明的一种新的全局优化进化算法，它源于对鸟类捕食行为的模拟[1-2]。作为一种重要的优化工具，粒子群优化算法已经成功用于函数优化、神经网络训练、模式分类、模糊系统控制等领域。PSO算法最大的特点是对函数的优化显示了较高的效率，但算法的后期却易于陷入局部最优点，尤其是在比较复杂的多峰搜索问题中。 　　遗传算法GA（Genetic Algorithm），是1975年由美国的Holland 提出的模仿生物进化过程的优化算法，它的主要思想是基于C.R.Darwin的生物进化论与G.Mendel的遗传学。GA结合了Darwin适者生存和随机交换论，前者消除了解中的不适应因素，后者利用了原有解中的已有