基于k-均值的自适应PSO优化算法.pdfVIP

第26卷第2期 海南大学学报 自然科学版 Vo1_26 No．2 2008年6月 NATURAL SCIENCE JOURNAL OF HAINAN UNIVERSITY Jun．2008 文章编号：1004—1729(2008)02—0179—04 基于 均值的自适应PSO优化算法 刘淳安 (宝鸡文理学院计算与信息科学研究所，陕西宝鸡721013) 摘 要：提出了一种新的基于k一均值聚类的自适应PSO优化算法(KCMPSO)．首先通过k一均值聚类方法把 粒子群分成若干个子群体，从而在迭代过程中每个粒子根据其个体极值和所在子群体中的最好个体更新自 己的位置和速度，其次引入自适应变异算子，有效地增强了粒子群之间信息交换和PSO算法跳出局部最优解 的能力．几个典型函数的测试结果表明，该算法是非常有效的． 关键词：PSO优化算法；k一均值聚类；自适应变异 中图分类号：TP 301．6；TP 18 文献标识码：A 粒子群优化(Particle Swarm Optimization，PSO)算法是由Kennedy和Eberhart于1995年提出的一种智 能优化算法¨I2]，因其容易理解，易于实现，在函数优化、神经网络训练、模式分类、模糊系统控制等优化 领域得到成功的应用 3-41，但是PSO算法在搜索的初期其收敛速度很快，而在后期却易陷入局部极值 点H～J．因此，本文给出了一种新的基于k一均值聚类的自适应PSO优化算法(KCMPSO)，算法在迭代的开 始对群体按照k一均值聚类法把群体分成若干个子群体，从而在迭代过程中每个粒子根据其个体极值和所 在群体中的最好个体更新自己的位置和速度，为了克服PSO算法在后期易陷入局部极值点的缺陷，在 KCMPSO算法中引入了自适应变异算子，帮助算法摆脱局部极值点的束缚，极大地提高了算法的搜索效 率，最后用不同类型测试函数对KCMPSO算法的有效性进行验证． 1 P80优化算法简介 PSO算法类似遗传算法，是由Eberhart博士和Kennedy博士在 1995年提出¨ ，它是基于群体(粒子 群)与粒子的适应度，粒子群中的个体(粒子)代表问题的一个可行解，每个粒子具有位置和速度2个特 征，粒子位置坐标对应的目标函数值可作为粒子的适应度，算法通过适应度来衡量粒子的优劣 PSO算法 首先初始化一群随机产生的粒子，然后通过迭代找到其最优解，在每一次迭代中，每个粒子通过跟踪2个 “极值”来更新自己，～个是粒子本身所找到的最优解，即个体极值P (t)，另一个是整个群体目前找到的 最优解，称为全局极值P (t)．粒子在找到上述2个极值后，根据下列“位置一速度”迭代公式动态调节自 己的“飞行”，搜索问题的最优解 d ( +1)= · ( )+c。·， (P (￡)一Xid(t))+c2·／2(P (t)一 (t))， (】) (t+1)=X d(t)+ d(t+1)，(i=1，2，…，Ⅳ)， (2) 其中， ( )是粒子原来速度， ( +1)是粒子当前速度， (￡)是粒子当前位置， ( +1)是粒子产生 的新位置，c ，c：为正常数，称为学习因子，r ，r：是[0，1]之间的随机数，∞为惯性因子(通常取 ：1)，设 粒子的第i(1≤i≤n)个分量的位置变化范围为[P∽P ]，速度变化范围为[ ， ]，在迭代中若粒子的 位置和速度超过其取值的边界范围，则取为边界值 收稿日期：2007—06—06 基金项目：陕西省自然科学基础研究计划项目(2006A12)；陕西省教育厅科学研究计划项目 (07JK180)；宝鸡文理学院重点科研项目(ZK0619) 作者简介：刘淳安(1972一)，男，陕西淳化人，宝鸡文理学院计算与信息科学研究所副教授，博士． 海南 大学学报 自然科学版 2008拄 2 基于 均值聚类的PSO优化算法 2．1 群体的k-均值聚类算法 Ste