改进的粒子群优化算法HPSO及其在结构优化设计中的应用.pdf

第十三届全国工程建设计算机应用学术会议论文集 …广东佛山·2006 改进的粒子群优化算法(HPSO)及其在 结构优化设计中的应用水 黄志斌．刘锋李丽娟 (广东工业大学，广州510006) mechanism)方法处理约束条件的不足之处，在基于“和谐搜 上，指出了两者使用“回飞技术”(fly．back 索”算法(Harmony 算法拥有更高的收敛速度，尤其在迭代计算的初期，效果非常明显。 【关键词】粒子群优化算法：收敛速度；结构优化 1 己I吉 工 ’，1日 结构的优化设计一直受到工程师们的高度重视，工程师可以通过合理的优化来减少工 程的总造价。处理约束极值问题的传统优化方有可行方向法，梯度投影法，罚函数法等。 传统的优化设计方法大多数都是基于梯度信息的，这些方法均要求目标函数或约束条件可 导，这类方法的计算效率高而且直观，但在实际工程问题中这些要求往往难以达到，而且 优化的目标函数往往难以用数学函数表示出来；另外，复杂的约束条件也会使优化问题的 求解变得相当困难。种种因素制约着基于梯度信息类的优化方法在实际工程中的应用。为 了更有效的求解约束优化问题，文献[1】基于标准粒子群优化算法(PSO)提出了启发式粒子 群优化算法(HPSO)。与传统的算法相比较，具有许多不可比拟的优越性，能以较快速度收 Search)产生新解的思想基础 敛于全局最优解【2j。本文在基于“和谐搜索”算法(Harmony 上，提出了一种新的启发式粒子群优化算法(HPSO)，算例表明该方法可以明显提高算法 的搜索效率。 2标准粒子群优化算法(PSO) Eberhart共同提出的，是一种新兴的基于群智能的随机优化算法，它的优点在于容易实现 并且有良好的全局搜索能力。这种算法源于对鸟群觅食行为的模拟。鸟群的搜索区域对应 于设计变量的变化范围，食物对应于目标函数的最优解(最佳适应度)，每只鸟，即每个粒 子对应于设计空间的一个可行解。在每次的迭代中，粒子的位置会根据每个粒子具有最佳 适应度的可行解n。，和整个粒子群中出现的最佳适应度的可行解魄n来更新自身的位置。 ’资金项目；广东省自然科学基金资助(032489)；广州市科技计划项目资助(200323．I)0221) 作者简介：黄志斌，男，广东广州人，硕士研究生，研究方向：结构计算理论及方法。 第十三届全国工程建设计算机应用学术会议论文集 广东佛山·2006 对于D维的搜索空间，第i个粒子的位置可以表示为向量墨，其历史最优位置为B， B为所有只(f-1，…，n)中的最优，粒子的飞行速度可表示为向量Ⅵ。在每次迭代中，每个 粒子的位置按公式(1)和(2)进行计算： (1) V“1--a杉,‘+q，i(只‘一x?)+巳吃(嘭一x?) xj¨=xj+V“1 (2) 1≤f≤，l 式中，，Cl和c2为正常数，称为学习因子或加速因子：，；和t为【0，1】间均匀分布的随机数； 缈为惯性因子。开始计算时粒子群的初始位置及速度随机产生，然后按(1)、(2)两式进 行迭代，直至达到满意解为止。 3被动群集的粒子群优化算法(PSOPC) PSO算法简单且容易实现，在迭代初期其搜索性能优于其他的进化算法，但当迭代次 数增加时，其搜索性能会急剧下降【3】。另外PSO算法亦存在有时会陷入局部最优解等缺点。 近年来，众多的改进粒子群优化算法被提出用来改良标准粒子群优化算法的缺点，其中S．He 法如下： 对于D维的搜索空间，第i个粒子的位置可以表示为向量墨，其历史最优位置为只， 只为所有只(f_l，…，n)中的最优，粒子的飞行速度可表示为向量Ⅵ。每次迭代，每个粒子 的位置按公式(3)和(4)进行计算：