最优化算法--小.pptVIP

3.4 利用收敛性分析所做的改进 姓名： 学号： 班级： 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 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。 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： 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。 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) 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。 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 验证本节算法有效性： Goldstein-Price函数 J.D.Schaffer函数 表1 实例计算结果 函数 算法 误差 平均收敛率 平均收敛代数 F1 基本PSO 0.0001 100 156.8 F1 随机PSO 0.0001 100 15.34 F1 模拟退火PSO 0.0001 100 13.56 F2 基本PSO 0.01 30 67.06667 F2 随机PSO 0.01 62 233.806452 F2 模拟退火PSO 0.01 98 56.7832 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 3.5 离散变量的微粒群算法 3.5.1 二进制编码的微粒群算法 3.5.2 混合编码的微粒群算法 3.5.3 整数空间的微粒群算法 3.5.4 求解旅行商问题的微粒群算法 3.5.1 二进制编码的微粒群算法 二进制编码作为一种比较重要的编码形式，首先由J.Kennedy和Eberhart在1997年将基本微粒群算法应用于二进制编码，并做了大量的数值分析。 显然，在二进制编码中，xj(t)应取0或1，但由式(3.25)可以看出vj(t)计算结果可能不是整数，为此，Kennedy引入了模糊函数Sig(x)，其定义为 3.5.2 混合编码的微粒群算法 H.Yoshida在1999年，Y.Fukuyama在2001年分别提出了混合编码的微粒群算法，这里特别介绍H.Yoshida在1999年提出的用于求解电压控制(Volt/Var Control,简称VCC)的混合编码的微粒群算法。 下面首先给出VCC的数学模型 其中，n表示所有的电流分路，而Lossi表示在i条分路中的能量损失，并且应该满足下面的条件： （1）每个节点处的电压限制 （2）每条分路的能量限制 （3）电压的稳定性限制 至于所求的适应值函数可以通过测量电压负荷后求和计算得到。 3.5.3 整数空间的微粒群算法 整数规划问题可描述为 其中Zn为n维整数空间，S为一整数集，可以为无界集。 当采用PSO算法求解整数规划问题时，有ω,c1,c2,r1,r2的存在，即使微粒的当前位置和速度均为整数，下一位置则可能为实数，这样就使得搜索仍在包含S的实数空间中进行。 下面给出求解整数规划的PSO算法的步骤： (1)初给化一群体规模为D的微粒群，包括随机位置和速度。 (2)计算每个微粒的适应值(即目