改进学习因子和约束因子的混合粒子群算法张水平仲伟彪江西理工.docVIP

改进学习因子和约束因子的混合粒子群算法 张水平，仲伟彪 (江西理工大学 信息工程学院，江西 赣州 341000) 摘 要：针对传统粒子群优化算法解决复杂问题时收敛速度太快，容易陷入局部最优解，在全局局部最优解粒子群算法的基础上，提出了一种改进了学习因子和约束因子的混合粒子群优化算法。通过将粒子的邻域最优解加入到速度更新公式，使得粒子的速度更新同时受全局最优解和邻域最优解作用，提高了粒子的寻优能力。并改进了学习因子和约束因子，平衡粒子的全局搜索和局部开发。通过几个经典测试函数分析比较，该算法能大大提高粒子的寻优能力。 中图分类号:TP301.6 ; TP18 Hybrid particle swarm optimization algorithm of new learning factors and constraint factor Zhang Shuiping, Zhong Weibiao (Faculty of Information Engineering, Jiangxi University of Science Technology, Ganzhou, Jiangxi 341000, China) Abstract: In order to avoid traditional particle swarm optimization algorithm converges too fast and easy to fall into local optimal value, on the basis of particle swarm algorithm with global - local optimal value, proposed a hybrid particle swarm algorithm with improved learning factor and constraint factor. By adding the neighborhood optimal value to the updating formula of speed, the speed updates by the role of global optimal value and neighborhood optimal value together, and improve the search ability of particles. By improving the learning factor and constraint factor, balance global search capability and local development capacity of particles. By comparing several classical test functions, the algorithm can greatly improve the search ability of the particles. Key words: Hybrid particle swarm optimization algorithm; global-local best; learning factor; constraint factor 0 引言 早在1995年，Kennedy等人通过对鸟类群体觅食行为的模拟研究，提出了一种基于群体智能的优化算法，那便是最早的粒子群优化算法[1]（Particle Swarm Optimization, PSO）。与其他智能算法相比，PSO算法的结构简单，参数较少，易于实现，广泛应用于函数优化，任务分配，负载均衡，人工智能等工程领域。然而与其他智能算法相似，PSO算法也容易早熟收敛，陷入局部最优解。针对这些问题，目前许多专家学者从各个方面对其提出改进。文献[2(3]提出了用动态调整惯性权值来平衡粒子的搜索能力和收敛速度的策略，有效提高算法的搜索能力和收敛速度。文献[4]在动态调整惯性权值的思想上通过比较线性递减、早期减慢惯性权值递减速度和早期加速惯性权值递减速度对算法的影响，发现了早期加速惯性权值的递减速度有效控制算法进入局部搜索。文献[5]提出了一种免疫综合学习粒子群，利用克隆、高频变异等操作提高了算法的收敛速度。文献[6(7]提出了一种自适应粒子群算法，通过对性能好的粒子分配较大权值有效提高算法的寻优能力。文献[8(9]提出了几种文化粒子群算法，通过一种影响函数对种群空间操作，保持粒子多样性，增强局部寻优能力，但是影响函数的指导作用具有一定的盲目性。 传统的粒子群优化算法，粒子速度的更新取决于自身最优解和全局最优解，很容易过早收敛，本文提出一种混合粒子群优化