异步随机微粒群算法.pdfVIP

第 3O卷 第5期 太 原 科 技 大 学 学 报 V01．3O No．5 2009年 1O月 JOURNALOFTAIYUANUNIVERSITYOFSCIENCEANDTECHNOLOGY Oct．2009 文章编号 ：1673—2057(2009)05—0359—05 异步随机微粒群算法 陈保娣，曾建潮 (太原科技大学系统仿真与计算机应用研究所，太原 030024) 摘 要：在研究微粒群算法生物特征的基础上，提 出了一种异步随机微粒群算法——ASPs0．该方 法是在微粒的进化过程中，采用异步模式使全局最好位置信息以异步方式在种群 中传播。从理论上证 明了ASPSO与同步模式微粒群算法SPSO相比较具有更快的局部收敛速度，并对四个经典测试函数进 行 了仿真测试，测试结果表明：与SPSO相比，ASPSO算法具有更快的收敛速度。 关键词：微粒群算法；随机微粒群算法；异步模式；局部搜索 中图分类号：P3O1．6 文献标识码 ：A 由Eberhart和 Kennedy于 1995年提出的微粒 (t+1)=cIr。(Pi一 (t))+c2r2( 一五(t)) (1) 群优 化算 法 (ParticleSwarm Optimization，简称 (t+1)= f()+ (t+1) (2) PSO)¨是一种全局优化进化算法，其基本思想是受 其中，互(t)=( ，…，置 )表示微粒 i的 他们对鸟类群体行为研究结果的启示，并利用了生 位置 ； (t)=( ， ，…， )表示微粒 i的速度 ； 物学家FrankHeppner的生物群体模型[2】。自该算 P表示微粒 i的个体最好位置；P 表示所有微粒所 法提出以来，由于其简单、易于实现，收敛速度快且 经历过的最好位置；cr(P —X(t))表示微粒 自身 需要调整的参数少等特点，引起了众多学者的重视 的经验 ；c。r2( 一 ())表示微粒间的社会共享信 和研究，并在神经网络、电力系统等方面得到了成 息；c，、c：为加速常数，取值范围是[0，2]；r 一 (0， 功应用 。]。 1)，r2～(0，1)为两个相互独立的随机函数。在方程 然而对于tSO的改进研究，基本上沿用基本微 (1)和方程 (2)中，微粒的飞行速度只取决于微粒 粒群算法的思路，微粒均采用同步进化方式。这 的当前位置 置(￡)、历史最好位置 和微粒群的历 样，所有微粒的同一代搜索均基于相 同的全局最好 史最好位置 P ，速度本身无记忆性。这样 ，对于位于 位置，全局最好位置得不到及时的更新，从而导致 全局最好位置的微粒将保持静止，而其它微粒则趋 收敛速度相对较慢。为了克服 以上这些不足，研究 向它本身最好位置P和全局最好位置P 的加权中 者提出基于异步模式的PSO算法_l6圳 ，但均为基于 心，即：微粒群将收缩到当前的全局最好位置，更像 并行计算机的并行异步方式。本文提出了一种串 一 个局部算法；根据上述分析，式(1)、式(2)描述的 行异步随机微粒群算法 (ASPSO)，该算法式在随机 进化方程可表示为： 微粒群算法SPSO中引入异步模式，随时更新全局 f(t+1)=Xf(￡)+cIrl(Pf— (￡))+ 最好位置，使得每一微粒的进化均向着最新的全局 c2r2( 一Xi(￡)) (3) 最好位置进行，从而增强了算法的局部搜索能力， 与基本PSO算法相比，方程 (3)描述的进化方程使 加快了收敛速度。