基于邻域极值数的协同粒子群优化算法.pdf

第31卷第4期 华东交 通大 学 学报 Vol.31 No.4 2014年8月 Journal of East China Jiaotong University Aug.，2014 文章编号：1005-0523（2014 ）04 -0071-06 基于邻域极值数的协同粒子群优化算法 曾毅，朱旭生，廖国勇 （华东交通大学理学院，江西南昌330013） 摘要：提出了一种基于邻域极值数的协同粒子群优化算法。该算法将种群分为若干个独立进化的子种群。根据邻域极值数 确定各子种群的生存状态。根据子种群的生存状态对子种群实施相应的控制操作，提高子种群的搜索能力，实现子种群之 间的信息共享，共同进化。测试结果表明基于邻域极值数的协同粒子群优化算法是一种高效稳健的全局优化算法。 关键词：粒子群优化算法；协同进化；邻域极值数 中图分类号：TP18 文献标志码：A 粒子群优化（particleswarmoptimization，PSO）算法是由Kennedy和Eberhart等人于1995年提出的一种 基于群体智能的演化计算技术［1］。算法基本思想源于对鸟群扑食行为的研究，是对简单社会系统的模拟。 由于PSO算法具有很好的生物社会背景而易理解、结构简单、参数少而易实现，算法提出后受到了学者的 ［2］ 重视和研究。目前，已经广泛应用于许多领域 。 粒子群优化算法通过种群粒子之间的合作与竞争实现对问题最优解的搜索，可用于解决大量非线性、 不可微和多峰值等优化问题。但在求解高维复杂函数优化问题时，进化前期收敛速度快，进化后期极易陷 入局部最优解，收敛速度和解的精度也不理想。针对这一问题，文献［3］提出基于高斯变异的粒子群算法， 算法按预先设置的概率对粒子进行高斯变异操作，改善了种群的多样性，有利于变异粒子跳出局部极值点 进行全局搜索，收敛速度和精度也有一定程度的提高。文献［4］分析了不同的种群拓扑结构对PSO算法效 能的影响，提出了构造种群拓扑结构的基本原则。文献［5-6］提出多种群协同粒子群优化算法，测试结果 表明能提高算法的收敛性。本文提出了一种基于邻域极值数的协同粒子群优化算法。测试结果表明基于 邻域极值数的协同粒子群优化算法的有效性。 1 标准粒子群优化算法 本文讨论如下数值优化问题 minf (x),x∈[x ,x ]N min max 其中：N 为搜索空间的维数。 标准粒子群优化算法将每个个体看成N维搜索空间中的一个没有质量和体积的粒子，并以一定的速 度飞行。飞行速度由个体的飞行经验和群体的飞行经验进行动态调整。标准粒子群优化算法根据式（1） （2）更新粒子速度和位置。 v(k+1)=ωv(k)+crand()(p (k)-x(k))+c rand()(p (k)-x(k))  （1） i i 1 i i 2 g i x(k+1)=x(k)+v(k+1) i i i （2） _________________________________ 收稿日期：2014-04-07 基金项目：国家自然科学基金项目；华东交通大学校立科研项目 作者简介：曾毅（1965—），男，副教授，研究方向为智能计算。 72 华东交通大学学报 2014年 i k i k ω 其中：v(k)为粒子 在第 代的速度；x(k)为粒子 在第 代的位置； 为惯性权重；rand()为分布于[0,1]i i