改进的粒子群优化算法及其应用.pdf

核动力工程 2 006年10月 NuclearPower Engineering 改进的粒子群优化算法及其应用 唐昕，于建华 (四川大学建筑与环境学院．成都，loocss) 摘要：粒子群优化算法是一种基于群智能的进化计算技术。其缺点是容易收敛到局部最优点，收敛精度 低。本文提出了一种改进算法，并用2个测试函数和2个算例表明，改进的算法在收敛的有效性和快速性等 方面都优于基本的粒子群优化算法。 关麓词：粒子群；优化；碰撞 1 引言 式中。学习因子cl和c2是非负常数；，．1和，2是介 粒子群优化0so)算法是新兴的一种基于群 于[o，1】之间的随机数；’，埘∈卜v一，v一】； 智能的进化计算技术。其优点是设置参数少，收 Vm。x是常数，用来减小在搜索过程中粒子离开搜 敛速度快，简单容易实现，有更强的全局优化能 索空间的可能，若在迭代中粒子的位置和速度超 力，不要求目标函数和约束条件可微，不要求是 出了对其限定的范围，则取边界值；w≥0，为惯 否为凸规划问题，有较大的概率求得全局最优解。 性权值。 其缺点是容易收敛到局部最优点，收敛精度低， 2．2 Shi和Eberhart对算法的改进 不容易收敛等。目前，PSO算法在函数优化、神 经网络训练、模式分类、模糊系统控制以及其他 优化性能的影响，发现较大的权值有利于跳出局 工程领域都得到了广泛的应用。 部最小值，而较小的权值有利于算法的收敛，提 出了一种根据算法迭代次数使惯性权值线性递减 2粒子群优化算法 的方法。算法在初期使用较大的惯性权值，具有 2．1基本算法 较强的全局搜索能力，后期使用较小的惯性权值， 1995年，Eberhant和Kennedy[q通过对生物 提高局部搜索能力。惯性权值的计算公式如下 群体(鸟群、鱼群和人类社会)的观察和研究发现， ，， 、 一r w=(wi—w，)×∑旦型垡—丝型+W，(2) 。 生物群体内个体间的合作与竞争等复杂行为产生 ‘‘ 一 』脚，MA)( 的群体智能往往为某些特定的问题提供高效的解 式中，wl和w2是惯性权值的初始值和最终值， 决方法，基于此提出了PSO算法。 k，娘A和k分别为算法最大迭代次数和当前迭 在—个D维的目标搜索空间中，由玎个粒子 代数。该方法在一定程度上提高了算法的性能。 组成—个群落，其中第f个粒子表示—个D维向 PSO算法和其他优化算法的结合是现在粒子 量写=“。，勃，．．·，％)，将写带入目标函数