粒子群优化算法及其与遗传算法的比较.pdfVIP

第 34卷 第 5期 2005年 1O月 电 子 科 技 大 学 学 报 Journal of UEST of China Vo1．34 NO．5 Oct．2005 粒子群优化算法及其与遗传算法的比较 沈 艳 ，郭 兵2，古天祥 (I．电子科技大学机械电子-I-程学院 成都 610054, 2．四川大学计算机学院 成都 610041) 【摘要】粒子群优化算法是根据乌群觅食过程中的迁徙和群集模型而提出的用于解决优化问题。该文讨论 粒子群优化算法的基本原理和实现步骤，分析了该算法中各参数的设置。通过一个测试函数，对粒子群优化算法 与遗传算法进行了比较，结果表明粒子群优化算法在找寻最优解效率上好于遗传算法。 关 键 词 群集智能；粒子群：遗传算法：优化 中图分类号 0224 文献标识码 A Particle Swarm Optimization Algorithm and Comparison with Genetic Algorithm SHEN Yan‘，GUO Bing2， GU Tian—xiang‘ (1．School ofElectromechanical Engineering,UEST ofChina Chengdu 610054, 2．Schol ofComputer,Sichuan Univarcity Chengdu 610041) Abstract Particle swarm optimization，rooting from simulation of swarm of bird，solves optimization problem．Firstly,discusses particle swarm optimization algorithm principle and step of implementation，an d then an alyzes each of parameter．Particle swarm optimization algorithm compares with genetic algorithm through the same mathematic function．The comparative result indicates that Particle swarm optim ization algorithm can obtain the optim um solutions more easily than genetic algorithm and it is a good optimization method with s~ong competition． Key words warm intelligence； particle swarm, gen etic algorithm； optim ization 自然界经过数万年的演化，以最优的方式及其规律存在。“师法自然”，人们受自然界的运行发展机制 的启发，建立和发展了一系列的优化算法，如遗传算法(Genetic Algorithm,GA)、模拟退火、人工神经网络 等，这些算法已广泛应用于工程中，解决许多研究过程中遇到的困难。 随着人们对鸟类的群集(Flocking)行为的研究，如大雁飞行自动排成人字形、蝙蝠在洞穴中快速飞行却 互不相碰等。1995年，文献【l，2】对鸟群觅食过程中的迁徙和群集进行模拟：鸟群觅食时，从一地到另一地 的迁徙过程中，总是有一只鸟对食源的大致方向具有较好的洞察力，同时，在找寻食源的途中，它们通过 一 套自己独有的方式随时相互传递着信息，特别是较好的信息。在 “好消息”的指引下，导致鸟群 “一窝 蜂”的奔向食源，达到在食源的群集。粒子群优化算法从中得到启示并用于解决优化问题。 1 粒子群优化算法 1．1 基本原理 在粒子群优化(Particle Swarm Optimization，PSO)算法中，一只鸟称为 “粒子”，解群相当于一个鸟群， 一 地到另一地的迁徙相当于解群的进化，“好消息”相当于解群每代进化中的最优解，食源相当于全局最 收稿日期：2003—10—29 作者简介：沈 艳(1973一)，女，博士，讲师，主要从事人工智能、智能化、网络化测控技术方面的研究． 第 5期 沈 艳 等： 粒子群优化算法及其与遗传算法的比较 697 优解 。 假设在一个JⅣ维 目标搜索空间中，有m个粒子组成一个群落，其中第价 粒子在Ⅳ圣隹空间里的位置 = xo，? ， 。 ， f：1，2，?， ；飞行速度 ( l， ，?， ，j=1，2，?， ；适应~fitnessf=厂 )，则P6 和 = ， ， ， 胁，?， 分别为第i个粒子曾经达到的