含被动聚集因子微粒群优化算法A particle swarm optimizer with passive congregation翻译.docVIP

含被动聚集因子的微粒群优化算法 本文给出了含被动聚集因子的微粒群算法来提高标准PSO（SPSO）的性能，被动聚集因子是一个重要的生物力量以保存种群的完整性。通过将被动聚集因子引入PSO算法中，信息能够从群体中的个体中转变。含被动集聚集因子的微粒群优化算法（PSOPC）已经通过了10种30维的基准函数的测试，并且分别与全局版本的SPSO、本地版本的SPSO（LSPSO）、和含有收缩因子的PSO（CPSO）做了比较。实验结果显示出含被动聚集因子的PSO明显地提高了基准函数的搜索表现。 1．介绍 微粒群算法（PSO）是一种群算法，首先是由Kennedy与Eberhart（1995）提出的，它是由动物的社会行为而受到启发的，比如鱼群和鸟群。与其他群算法相似，比如进化算法，PSO能够解决很多种不同的优化问题，同时在某些方面PSO也显示出了比其他算法更快的收敛速率（Kennedy和Eberhart，2001）。PSO的另一个优点是它具有更少的参数去调节，这使得PSO非常容易执行。 Angeline(1998)指出虽然PSO能够比其他进化算法在早期的迭代中表现得更出色，但是当迭代次数增加时它的竞争力就没有那么大了。目前，有多个关于提高标准PSO（SPSO）的性能的研究已经开始做。Lobjerg etal.(2001)提出了一个包含子代和亚种群的混合的PSO模型.Kennedy和Mendes（2002）提出了这种压缩种群数量结构来研究SPSO的搜索性能。其他的关于提高PSO的性能的研究有运用类聚分析（Kennedy，2000）和模糊自适应惰性权重（shi 和 Eberhart）。 图1，微粒群与最好位置微粒gbest的相互作用 PSO 是基于假设同类中各元素提供一种最优进化信息的群体分享（Kennedy和Eberhart，1995）。SPSO模型是基于以下两种因素：（Kennedy和Eberhart，1995）； 自我记忆，它能够记得在群体中每个个体（）以前的最好的位置; 公认的认知，它是这个群体中目前所能得到的最优解（）。 因此，在同一种类种分享信息是在采用公共的可见信息过程之中完成的，如图1。并且在单独的个体之中没有信息分享，除非向其他个体传播了信息。因此，种群也许会丢掉多样性，并且如果到目前为止，相对于全局最优解的搜索种群收敛的太早，很可能限制在本地最小值周围的搜索能力。 生物学家已经提出了允许动物聚集成群体四种生物学上的机制：被动的增长（passive aggregation），主动的增长（active aggregation），被动的聚集(passive congregation)，社会性的聚集（social congregation）（Parrish和Hamner，1997）。在这些力量之中有不同的信息分享机制。我们发现被动聚合模型对于SPSO模型的组合来说只相当匹配的，由于被这个发现所激发，我们提出了一种含有被动聚集因子的混合PSO模型。 第二部分介绍了SPSO。含有被动聚集因子的PSO算法将在第三部分呈现。第四部分，我们给出了测试函数，实验设置参数，与实验的结果。在第五部分。给出了一些讨论。第六部分给出了结论。 2，标准微粒群优化算法。 PSO是以群体为基础的优化算法。PSO算法的整体被称为微粒群，并且PSO群体中的每个个体被称为微粒，第个微粒在第次的迭代中具有以下两个性质： 在一个N维德搜索空间中微粒的当前位置，，其中与分别是维空间数的上限和下限。 当前速率，，它由最大速率与最小速率所限定。 在PSO的每一次迭代中，这些微粒由以下的方程来更新（Kennedy与Eberhart，1995）： (1) (2) 上式中，表示第个微粒所经过的最好位置（也称作pbest）。根据的不同定义，由两种不同的PSO版本.如果 表示所有微粒经过的最好位置（也称作gbest），这个版本称作全局版本。如果来自一些更小数量的临近微粒（也被称作lbest），这样的版本称为局部版本。与由分别由下列方程决定： （3） （4） 这里是目标函数，并且表示整个微粒群的数量，为均匀分布的随机数 即；。表示惯性权重（Shi与Eberhart，1997），通常初始化为之间的随机数。一个较大的惯性权重能够促进全局的收敛，而一个较小的惯性权重能够微调当前搜索区域，促进局部收敛（Shi与Eberhart，1998），，为加速常数