基于Nelder-Mead单纯形法的改进量子行为粒子群算法.pdfVIP

• 98 • 复杂系统与复杂性科学 2016 年 6 月 自己的行为模式;适应性原则，种群应能在改变行为模式是值得的情况下改变其行为模式。目前群体智能研究主 要包括蚁群算法和粒子群算法，并衍生出一系列的优化算法、聚类算法和多机器人协同合作系统等，它们都满足 Millonas 提出的群体智能基本原则。其中，蚁群优化算法和粒子群优化算法在求解实际问题中应用最为广泛。 粒子群优化(Particle Swarm Optimization , PSO)算法由 Kenney 等[2J 在 1995 年提出，其基本思想来源于对鸟群 觅食行为的模拟，是一种典型的群体智能优化技术。在该算法中，寻优空间中的每一个个体被抽象为一个粒子， 仅考虑其位置属性和速度属性。其运动的速度受自身和群体的历史最优位置的影响，并受到学习因子的协调，从 而较好地协调粒子本身和种群之间的关系。 PSO 具有算法简单、搜索效率较高、通用性较强等优势。但它在高 维空间搜索时效率较低而且容易出现早熟收敛。众多学者对此进行了研究。冯奇峰[3J 提出将搜索区域分区，使 用多个子种群并通过微粒间的距离来保持多样性，然而这类算法在有些情况下会有大量粒子做无用搜索，影响搜 索效率。 Gülcü~ 和 Kodaz H[4J 提出→种新的并行学习策略PCLPSO，利用所有其它粒子的历史最优信息来更新 粒子速度，并加入主从模式。该策略可以保持种群多样性，防止早熟收敛，可以提高 PSO 算法在多模态问题上的 性能，但是该算法大大增加了粒子间的交互信息，进一步增加了计算的复杂度。张勇等[5] 提出了一种结合 Nelder-Mead 单纯型法的 PSO 改进算法，该算法通过并行协同运行两种算法，以达到平衡全局和局部寻优能力 的目的。 Meng 等问提出了一种采用交叉搜索的加速粒子群搜索算法。孙俊等[7-8J 将量子理论中的概率云和观 测行为引入 PSO ，提出了一种具有全局性的量子行为粒子群算法(Quantum-behaved Particle Swarm Optimiza- tion , QPSO) ，在处理高维多模态优化中取得了较好的效果。在该算法中，取消了 PSO 算法中的速度属性，每个 粒子的下一次位置依概率弥散在整个搜索域，其概率受自身和群体的历史最优位置影响，其具体位置的确定由一 次观察操作来完成。 QPSO 算法有效地克服了 PSO 算法容易陷入局部极值的缺点，即使在所有粒子均收敛到一 个较小的区域时，仍有可能在下次迭代时出现在搜索域的任何位置，并且在高维多模态优化中显著优于 PSO 算 法。但是由于 QPSO 算法仍旧采用粒子本身做局部搜索，这就要求在搜索到全局最优点附近时，全部粒子需要 收敛在一个极小的范围内进行搜索，这一特性导致难以有效平衡算法的全局和局部搜索能力这一对矛盾。近年 来国内外学者还对 QPSO 进行了一系列改进研究，Liu 等问提出了一种结合模拟退火和协同进化理论的 QPSO 改进算法。 Nelder-Mead 单纯形法(Nelder Mead Simplex , NM Simplex) 是一个非常实用的直接搜索技术，同时也不要 求目标函数连续和可导，具有极强的局部搜索能力，在多维无约束优化问题中应用非常广泛[IOJ 。本文受此启发， 希望在维持 QPSO 算法全局性的基础上，提高其局部搜索效率，因此对 QPSO 算法的群体历史最优点凡在每次 迭代时引人 Nelder-Mead 单纯形搜索，提出了一种具有 Pg 自优化功能的量子行为粒子群优化算法。使得这一 算法既具有 QPSO 的全局性强的特点，又具有 Nelder-Mead 法精细的局部搜索能力。 1 基于 NM 单纯形法的改进量子行为位于群优化算法 1. 1 粒子群优化算法 PSO 将每个个体抽象为粒子，并仅仅赋予该粒子两个属性，即第 t 次迭代的粒子位置X(t) 和粒子速度V(t) 0 同时，每个粒子记忆其历史最优位置 Pi(t) 和群体历史最优位置 Pg (t) 。迭代公式见文献[11J 。其惯性因子，通 常设置为 t 的线性递减函数[12] ，以在算法后期加速收敛。 1. 2 量子行为粒子群优化算法 2004 年，孙俊等[13J 将量子行为引入 PSO 算法，提出了量子行为粒子群优化算法。 QPSO 算法较 PSO 算法 相比具有更强的随机性，因而具有更高的群体智能程度，可以有效地克服 PSO 算法早熟收敛的不足，并且在处理 高维函数优化中具有明显优势。 QPSO 算法不再采用 P