基于PSO的LAPSO和NLAPSO改进算法研究.pdfVIP

基于PSO的LAPSO和NLAPSO改进算法研究 屈瑞娜 王伟涛 (西安思源学院 摘要 ：为 了，解决实际问题中对精度和速度的双优要求 ，本文对 PS0 k+1 k k k k k V la=WV{d-I-C1R1(pbIdXld)+c2R2(gbd×Id) (1) 惯性因子进行混合改进 ，分别提出线性 自调整(LAPSO)和非线性 自 k+1 k k+1 调整(NLAPSO)两种改进算法 ，这两种算法在迭代初期动态地调整 Xid Xid-l-Vid (2) 粒子 的飞行速度 ，加强对种群信息的利用 ，增强种群 的多样性 ，随着 式 中，i=1，2，…，N，N是群体中的粒子数 ；k=1，2，…， 演化 的进行，采用线性或非线性的改进策略，使得粒子能更快更精确 n，是迭代次数 ；d=1，2，…，D，D是解空间的维数 ，即 自变 的聚集到全局最优。实验表明这两种改进较线性、非线性或动态 自适 ■ 应调整 ，性能均有所提高。 量的个数；v：表示第 k次迭代粒子 i速度矢量的d维分 关键字 ：PSO 惯性因子 测试函数 量 ；×i表示第 k次迭代粒子 i位置矢量 的d维分量 ；p 表 1概述 示第 k次迭代粒子 i个体最好位置矢量 (pb)的d维分量 ： 为了更好的求解大量非线性、不可微和多峰值 的复杂 优化 问题 ，受研究鸟群觅食行为的启发 ，1995年 Kennedy gb：表示前k次迭代粒子群最好位置(gb)矢量的d维分量； 博士和 Eberhart博士提 出了一种仿真 鸟群飞行 的算 R1和 R2是介于 0【，1】区间的随机数 ；C和 C 为学习因子 ， 法——粒子群优化算法 (ParticleSwarm Optimization， 分别调节向pb和 gb方向飞行的步长，学 习因子使粒子具 PSO)l。 有 自我总结和 向群体中优秀个体学 习的能力 ，合适 的学 习 与其他全局优化算法一样 ，受本身更新机制 的限制 ， 因子可以加快算法的收敛且不易陷入局部最优 ，根据经验 基本粒子群算法同样存在早熟收敛和后期振荡现象。为了 值他们通常都取 2。 提高算法的性能，国内外学者进行 了大量的研究，提 出了 3LAPSO和 NLAPSO 各种改进。主要有变更公式法12】、分群方法 、混合算法 、动 1998年 ，shi等 (1998)提 出按照线性递减 (LDIW)规律 方法旧、自适应改进方法15]等 ，这些改进均在不同程度上提 改变惯性 因子W 的改进方法 ，很好地提高了算法的精度。 高 了算法的寻优能力 ，但对于一些实际问题 ，总期望在有 2006，陈贵敏等人受 LDIW 策略的递减惯性因子思想 限的迭代次数内，尽可能地得到可接受的最优解。 的启发 ，为了在全局搜索和局部搜索之间取得更好的平 因此，如何得到速度和精度的双优成为粒子群算法研 衡 ，构造 了3种非线性递减惯性因子策略，并与 LDIW 策 究 的一个热点。基于此，本文在对文献 2【，7】改进的基础上， 略进行 了对比研究 ，实现发现W2非线性方法在精度上更 对 PS0惯性 因子进行混合改进 ，分别提 出线性 自调整 具有优势。 (LAPSO)和非线性 自调整 (NLAPSO)两种改进算法 ，这两 2005年 ，张选平等通过引入粒子进化度 e和粒子聚 种算法在迭代初期动态地调整粒子的飞行速度 ，加强对种 合度 a来改变惯性 因子的PSO算法，改进标；隹PSO算法 群信息 的利用，并且在一定条件下通过对粒子 的重新扩 收敛速度较慢的不足。 散 ，增强种群 的多样性 ，随着演化 的进行 ，采用线性或非线 实际