一种改进的粒子群算法摘要.PDFVIP

西北大学学报( 自然科学网络版) 2008 年 3 月，第 6 卷，第 3 期 Science Journal of Northwest University Online May . 2008 ，Vol.6 ，No.3 一种改进的粒子群算法 杜玉平，邢志栋，李小宁 （西北大学数学系，陕西 西安 710127 ） 摘 要：为了提高粒子群算法的全局收敛性，在原来标准粒子群算法的基础上加了一个变异算子，通 过对当前个体极值进行随机变异来增强粒子群算法跳出局部最优解的能力，以及典型函数的测试，结 果表明新算法在收敛速度和收敛精度方面均明显优于标准粒子群算法。所提出的新算法有效避免了早 熟收敛问题，具有较强的全局收敛能力。 关 键 词：粒子群；优化；变异算子 中图分类号：TP181 文献标识码：A 文章编号：1000-274X(2008)0337-05 粒子群算法 PSO(particle swarm optimization )是一类基于群智能的随机优化算法，它源于对鸟类捕食行 为的模拟，是由 Kennedy 和 Eberhart 在 1995 年提出来的[1] ，并立刻引起了优化及演化计算等领域的学者 们的广泛关注。目前，PSO 算法正广泛应用于函数优化，神经网络的训练，模糊系统控制等领域。PSO 算 法的优势在于简单且容易实现，同时又有深刻的智能背景，特别适合工程应用[2] 。 当然，PSO算法也存在易陷入局部最优，进化后期收敛慢，精度较差等缺点。为了克服PSO算法的这 些缺点，本文设计一种带变异算子的粒子群算法（MPSO ），对标准粒子群算法(PSO)作了改进，使每次迭 代过程中找到的当前个体最优值以一定的概率进行变异。实验结果表明，改进后的粒子群算法防止陷入局 部最优的能力有了明显提高，并且算法的收敛速度加快。 1 标准粒子群优化算法 粒子群算法中，每个解都是搜索空间中的一个点，可以认为是一只“鸟”。“鸟”通过自身的努力或与 它周围其他鸟的协作来找到食物，在算法中称这只“鸟”为粒子。每个粒子都有一个由优化函数所决定的 适应度，以评价该粒子当前位置的优劣，同时，每个粒子都有一个速度来决定各自移动的方向和距离。粒 子群优化算法首先须初始化一群随机粒子。假设在一个D 维搜索空间中，PSO 算法初始化为m 个随机粒 子，其中第 个粒子表示为一个D 维的向量x (x ,x ,Kx ) ，i 1,2,K,m ,即第 个粒子在D 维搜索 i i i i1 i 2 iD 空间的位置x ，将x 代入目标函数便可计算出其适应度值，根据适应度值的大小可衡量x 的优劣。第i 个 i i i 粒子的“飞翔”速度也是一个D 维的向量，记为v (v ,v ,K,v ) ，将第i 个粒子迄今为止搜索到的个 i i1 i 2 iD 体最优位置记为pbi (pbi1,pbi 2 ,K,pbiD ) ，整个粒子群中，所有粒子迄今为止所搜索到的全局最优位置 记为gb (gb ,gb ,K,gb ) ，每代粒子根据如下公式来更新自己的速度和位置 1 2 D vk +1 wvk +c R (pb k −x k ) +c R (gbk −x k ) ，