基于PSO及SA的高维优化方法研究及应用.pdfVIP

水力发 电 2008年3月 与遗传算法(Genetic Algorithems，GA)一样也是依据个体的 出，从而收敛到全局最优解 但为得到一个好的优化解需要 适应值大小进行操作。其不同之处在于，GA通过交叉变异操 有足够多的模型扰动次数，并且需要配以严密的退火计划 作产生新的染色体，而PSO是通过粒子在解空间追随最优的 因此，SA的效率问题一直是这一算法真正走向实用的最大 粒子而进行搜索。迭代过程中粒子通过飞行完成空间位置的 的障碍 变化，飞行速度根据自身的飞行经验及搜索空间中其他微粒 2 改进微粒群模拟退火算法 的飞行经验进行动态调整。由于存在对个体经历和群体经历 的认知，所以PSO是一种启发式搜索寻优算法 与已有的优 本文基于PSO及SA．提出一种SA—PSO算法 该算法针 化算法如遗传算法、模拟退火算法等相比．其物理意义更加 对微粒群规模与所求问题的高维特性之间的矛盾．给出了解 清楚．运算过程更加简捷 决办法，并有效解决了PS0局部收敛问题 假设在一个n维的目标搜索空间中．有m个粒子组成的 2．1 原理及结构 群落。其中，第i个粒子表示一个n维的向量 F ，…， SA—PSO算法采用迭代方法进行优化计算。如图1所示． ， i=1，2，…，m， 为该粒子在n维搜索空间中的位置，其飞 。。， ，… ， 为赋给程序的初始值，随机赋值的作用是以 行速度记为vi=(v ，…， ；p =(p P ，…，p 为第 i个粒子 初始值 。为基础得到各微粒空间矢量 及 ；经基本PSO 搜索到的最优位置( ；p (pgi,p ，…，p 为整个粒子群搜索 算法得到局部最优解后，采用扰动模型进行优化计算．跳出 到的最优位置(G 。 局部最优空间。一次迭代循环结束后，若不满足计算终止条 Ps0算法的速度模型进化方程为 件。则采用渐进搜索策略重复以上步骤继续优化．并将所得 = +c lrl +c2r如部《 (1) 的最优值P 赋给下次迭代初始值 。 +1； +1， 上。 (2) 式中，W表示惯性权重； ∈[ 一， ， 一是常数；C1,c：为加 速度常数，表示将每个微粒推向 和G 权重；r 和／2为区 间『0，1]随机常数。 PSO是一种新型智能算法，其概念简单，容易实现 与其 他算法相比，在求解优化问题时．该算法计算工作量小．精度 高。PSO中的种群规模是算法优化特性的关键．快速收敛的 实现是建立在种群规模相对于问题解空间维数的数量协调 一 致的基础上的。然而，对于高维优化问题，若种群设置较少 则难以实现优化：若种群设置较大．势必增加计算量和程序 运行时间。因此，求解高维优化问题的困难就在于种群规模 与高维数之间的矛盾 图1 SA—PAO算法结构及策略示意 1_2 SA算法及其特性 2_2 算法策略 SA算法是基于蒙特卡罗(MonteCarlo)迭代求解法的一 针对高维优化问题．SA—PSO算法主要在以下几个方面 种启发式随机搜索算法。该算法出现于20世纪80年代初， 做了改进，即引入了随机选择、小领域赋值、极值扰动．以及 通过类比组合优化问题和统计力学中的热平衡问题．开辟了 渐进搜索等策略。以求解极大化函数为例．采用FORTRAN语 组合优化问题的新途径 该算法建立在扰动模型及 言编写程序．对各策略予以说明 Metropolis准则基础上．并通过控制退火温度持续进行解的 2_2．1 随机选择 更新，实现问题的全局优化。SA是一种通用的优化算法．目