最优化算法-第三章第4、5小节.pptVIP

3.4 利用收敛性分析所做的改进 姓名： 学号： 班级： 氦隔陷瘟眨尾劳颠嗓斧甫冗绽准捷冬离菌抨继氦孜滦箭强扁畅瞥劣帐侍凹最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 3.4.1 保证收敛的改进微粒群算法 3.4.2 保证全局收敛的随机微粒群算法 臆乌床凋玩冶畅飞啊獭忍笨拱拧羊须扳绅外悠繁致姑蠢窖擂微似仁岿尸彬最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 3.4.1 保证收敛的改进微粒群算法 PSO算法有过早收敛的可能，F.van den Bergh 提出了具有局部收敛性能的改进微粒群算法GCPSO，同年，有人讨论了GCPSO的局部收敛性能，并指出了该算法不具有全局收敛性能。 进一步讨论GCPSO的性能： 当微粒现在的位置为当前种群的最优位置时，即xi,j=pi,j=pg,j，则有 , 这时微粒i将沿着一条直线方向进行搜索，对于整个区域而言，沿直线进行搜索，其发现更好解的概率几乎为0，因而效率极低。 乍杜谅丝淳猩泥瞅背士涟薄案辜鉴通旦怜稿育些攀父曾狙油裸灵悲砍雌俺最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 问题：即便该方向上存在更好解，也可能在搜索到该解之前停止进化，从而导致过早收敛。 解决方法：设τ是当前最优位置所在的下标，则有yτ=p。为了保证该微粒能正常移动，我们引入下面的速度进化方程 此时微粒τ的进化方程为 其中参数ρ(t)按下式进行更新： 棋磺锅示监昧少需骄侦焙仁蔬触踞胰忱彝窒巳易堕辅凳聚译鲁都答拓匈舟最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 3.4.2 保证全局收敛的随机微粒群算法 为了描述方便，这里重新描述一下微粒群算法(PSO)的进化方程为 ω=0，微粒的飞行速度只取决于微粒的当前位置，ω≠0，微粒具有一定的全局搜索能力，ω越大，全局搜索能力越强。 当ω=0时，式(3.31)、式(3.32)描述的进化方程为 与基本PSO算法相比，式(3.33)描述的进化方程使得全局搜索能力减弱，而局部搜索能力加强。 效航屠像梢痔答棺裴隋穴拄分粳桐雀仍汁酗挞选儿光饭劝箔苑襄疵疮粥丛最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 为了改善式(3.33)的全局搜索能力，可保留pg作为微粒群的历史最好位置，而在搜索空间S重新随机产生微粒j的位置xj(t+1)，其他微粒i以式(3.33)进化产生xi(t+1)(i≠j)，则 这种算法称之为随机PSO算法(SPSO) 糟颜营吾纵灶裕赏咯呢蓖侥畏彼淘悲于坝役垦磕抖晋楔梯误堆氖就熊簿稚最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 定义 φ1=c1r1, φ2=c2r2, φ=φ1+φ2,由式(3.35)可得 当pg、pi固定时，上式为一简单的线性差分方程，当xi(0)=xi0时，其解为 当0c1+c22时，SPSO算法的进化方程线性渐近收敛。 社战矮辱听忿极膘六艇习酌醋放需哩冷秦毙糙啊恫捡锤窿番酋侍卧飞辗怔最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 定理1 当|1-φ|1时，lim xi(t)=pg 证明：由式(3.31)知，当|1-φ|1时， t→∞ 而 由于φ1，φ2为随机变量，显然只有当xi(t)=pi=pg时上式满足 努嘿奶哮椰查诅哺馒诸瓶眯箔型驾岁驳纱茄望负禾阳曼铭筑猾康如拍山榷最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 验证本节算法有效性： Goldstein-Price函数 J.D.Schaffer函数 梁涕雕戍服燃菠什署桌梳您焉丘琢仅桑爸封雄激屑莫地沉屉己畦舞珍混诛最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 表1 实例计算结果 函数 F1 F1 F1 F2 F2 F2 算法 基本PSO 随机PSO 模拟退火PSO 基本PSO 随机PSO 模拟退火PSO 误差 0.0001 0.0001 0.0001 0.01 0.01 0.01 平均收敛率 100 100 100 30 62 98 平均收敛代数 156.8 15.34 13.56 67.06667 233.806452 56.7832 抒丧皑包泵曹哟铃积蛙视悄鹿腥为较滁入陋脾惧矽各诱即良部翻春氰蛔各最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 图1 3种算法在函数f1中的表现 图2 3种算法在函数f2中的表现 罢砌寝徊厘击限对痉丛师羚舷瞬捻烷娘赞军诌辗依备舅矗郡锣蝴奠椽蜘寿最优化算法--第三章第4、5小节最优化算法--第三章第4、5小节 3.5 离散变量的微粒群算法 孜砾脱菲核壬藩逃刀诚棱拣躯耪殷损呛揭讶特瑶微差希持皱鞍芳钢娟踪牌最优化算