标准粒子群优化算法收敛性能分析及参数选择.pdfVIP

标准粒子群优化算法收敛性能分析与参数选择1 林川，冯全源 西南交通大学信息科学与技术学院，成都（610031 ） E-mail ：lin_langai@163.com 摘 要：基于离散时间线性动态系统理论，推导了确定性标准粒子群优化（PSO ）算法收敛， 临界稳定与发散的充分必要条件，并用若干个粒子运动轨迹的仿真结果对理论结果进行了验 证。根据理论分析结果，给出了参数选择的指导方法，讨论了随机参数对 PSO 算法性能的 影响，分析了不同收敛阶段 PSO 算法探索与开发能力的平衡问题。同时本文指出，目前较 普遍认为的：PSO 算法的惯性权越小则局部搜索能力越强这一观点严格说来并不够准确， 在实际中应小心使用。 关键词：粒子群，随机优化，收敛性，参数选择 中图分类号：TP18 粒子群优化（PSO ）算法是J. Kennedy 与 Eberhart 提出的一种基于群体智能的随机优化 [1] [2] 方法，它模拟了鸟类或鱼群觅食过程的社会行为 ，已在许多领域获得了广泛应用 。PSO 算法的参数设置对算法性能有很大的影响，而这些参数设置又常与待优化问题密切相关。虽 然目前已有许多学者通过大量仿真实验对 PSO 算法的参数选择进行了研究，但为了更深入 地理解 PSO 算法并提供参数选择的指导方法，近年来，一些学者开始对 PSO 算法的粒子运 动轨迹及其稳定性进行深入的理论分析[3~7]，这些理论研究大部分集中在PSO 算法稳定收敛 的充分条件方面。本文利用离散时间线性动态系统理论，从理论上推导了确定性 PSO 算法 收敛，临界稳定与发散的充分必要条件。根据理论分析结果，给出了 PSO 算法参数选择的 指导方法，讨论了随机参数对算法性能的影响，分析了 PSO 算法获得成功的一些关键因素。 本文指出目前较普遍认为的：惯性权越小则 PSO 算法的局部搜索能力越强这一观点严格说 来并不够准确，它只在一定条件下成立。同时，本文还给出了若干个粒子运动轨迹的仿真结 果，对理论分析结果进行了验证。 1．PSO 算法 PSO 算法中的每个粒子代表 D 维搜索空间中的一个潜在解，它在搜索空间以一定的速 度飞行，这个速度根据它先前的飞行速度，本身及同伴的飞行经验进行动态调整。具体说来， [8] 标准 PSO 算法中第 i 个粒子第 d 维的速度与位置按如下的表达式进行更新 ： v t + wv t +φ t p −x t +φ t p −x t (1) id ( 1) id ( ) 1d ( )（id id ( )） 2d ( )（gd id ( )） x id (t +1) x id (t) +vid (t +1) (2) 其中，i=1,…, m, d=1,…., D ，m 为种群规模，D 维向量x (t)与 v (t)分别为粒子 i 在 t 时刻的位 i i 置与速度，p i 为粒子 i 曾经历过的个体最优位置，p g 为粒子 i 的所有邻域个体曾经历过的全 局历史最优位置。w 为惯性权，φ (t) c r (t) , φ (t) c r (t ) ，c ，c 为加速系数，r ， 1d 1 1d 2d 2 2d 1 2 1d r2d 为在[0, 1]内均匀分布的随机数。 由于本文主要分析确定性PSO 算法的收敛性能，因此我们将随机变量φ (t) ，φ (t) 简 1d 2d 化为常数φ ，φ