中文翻译--AnImprovedParticleSwarmOptimizationAlgorithm探讨.doc

姓名：宝媛媛 学号：2013704093 专业：计算机技术 Granular Computing, 2008. GrC 2008. IEEE International Conference，2008:486-490 一种改进的粒子群优化算法 吕林罗绮刘俊勇田立峰 lvlin@email.scu.edu.cn 摘要HSPPSO)。在底层为了扩大粒子搜索领域，采用多种群粒子群并行计算。在顶层，把每个种群看成一个粒子。种群的最优值作为当前粒子的个体最优值 ,进行顶层粒子群优化。并把优化结果返回到底层。如果在粒子群优化(PSO)算法实现过程中一些粒子局部极值更新粒子速度重新初始化。采用本HSPPSO算法在四种典型测试函数中的测试结果在收敛速度和准确性方面都优于前言 [1]。PSO算法与进化算法相似，采用基于种群的多点并行全局随机搜索策略，但无需复杂的进化操作，而是根据粒子的速度和当前位置决定搜索路径。与早期的智能算法相比，SO算法在计算速度和消耗内存上有较大的优势，而且调节参数少，简单易于实现。 目前，PSO算法得到了越来越多的研究人员关注和重视，并已广泛应用于函数优化和组合优化、神经网络训练、机器人路径规划、模式识别和模糊系统控制等应用领域[2]。此外算法的研究还渗透到电力、通信、经济等领域。但是和其它随机搜索算法一样，PSO算法仍然不同程度地存在早熟现象。因此，为了提高优化效率，很多学者对基本的微粒群算法进行了研究改进:带有惯性权重的微粒群算法[3]，引入收缩因子的微粒群算法[4]，以及和其它智能算法结合的混合算法等[5] 。以这些改进方法在提高算法的效率、改善算法的收敛性等不同方面有了进一步提高。 在全局搜索和局部搜索中的适当折衷是算法最终收敛于全局最优解的关键。基本PSO算法概念简单参数容易控制但它需要将整个优化作为一个整体并且在相同的强度的搜索中该算法在一定程度上过早收敛顶层执行PSO优化全局最优解反馈回底层既利用了底层 2、基本粒子群优化算法（PSO） PSO算法是一种基于群体智能方法的演化计算技术，组成群体的个体是多维搜索空间中没有质量和体积的粒子，粒子在搜索空间中的位置代表了优化问题的潜在解，飞行的速度决定了搜索的方向和步长。这些粒子在搜索空间中以一定的速度飞行，并根据自身的飞行经验和同伴的飞行经验对自己的速度进行动态调整，即通过追踪粒子自身迄今为止发现的最好位置以及整个群体迄今为止发现的最好位置来不断地修正自己的前进方向和速度大小，从而形成了群体寻优的正反馈机制。粒子群记忆、追逐当前的两个最好位置，逐步地移到较优的区域，最终到达整个搜索空间的最好位置。 假设一个D维的目标搜索空间,PSO算法随机初始化一个由m个粒子组成的群体,第i个粒子的位置Xi(优化问题的潜在解)可表示为{xi1, xi2, ? , xiD},将其代入优化目标函数可以得出适应值,用来衡量解的优劣性。相应的飞行速度 Vi可表示为{vi1, vi2, ? ,viD}。记粒子自身迄今为止所搜索到的最优解即个体极值 Pi为{pi1, pi2, ?, piD },群体迄今为止所搜索到的最优解即全局极值 Pg为 {pg1, pg2, ?, pgD }。每次迭代通过下式来更新速度和位置： 式上中, k为迭代次数，w 为惯性因子， c1、c2 为学习因子， r1、r2为区间 [0, 1 ]上的随机数。 迭代终止条件为最大迭代次数或(和 )粒子群迄今为止搜索到的最优位置满足最小适应值阈值。 式子（1）的第 1部分是粒子先前的速度,反映了粒子的记忆能力；第 2部分是粒子的“认知 ”行为，反映了粒子的思考能力；第 3部分是粒子的“社会 ”行为，反映了粒子之间的信息共享和相互合作。 3、多种群分层粒子群优化算法 粒子群算法在搜索时,粒子总是追寻当前全局最优点以及自己迄今搜索到的最优点 ,容易陷入局部最小值6 ]。针对传统 PSO存在的问题,作者提出的多种群分层粒子群优化算法，思路如下。 1)基于控制理论分层控制的思想 ,把粒子群算法用于多种群2层优化。底层为 L个种群,设 Pig代表第 i个种群的全局最优值。顶为一个种群，Pg代表顶层优化的全局最优值。图 1是多种群分层粒子群优化的示意图。 图 假设在底层有L个种群 ,每个种群有个粒子，L个种群并行计算, 相当于粒子的个数增大为L*m,因粒子数量增多扩大了粒子搜索空间范围。多种群并行计算并没有因为粒子个数增加使计算时间增加。L个种群除根据本粒子群的个体和全局极值来修正群中粒子的速度和位置外，还考虑多种群全局极值来修正群中粒子的速度和位置,在算法中加入修正项 ,对粒子群进行迭代操作的公式如下: 式中，c3 为学习因子r3为区间[0,1 ]上的随机数。i代表种群，i = 1, ?, L,j代表粒子，