基于控制理论的微粒群算法分析和改进.docVIP

基于控制理论的微粒群算法分析和改进 　　摘要：该文主要是参照控制理论，对基本微粒群算法、标准微粒群算法和带有收缩因子的微粒群算法做了充分细致的解析，通过分析发现它们或者一个积分环节与两个惯性环节构成的系统；或者是三个惯性环节构成的体系，为了使算法的效率更快，创建由积分环节与震荡环节构成的系统所对应的改进微粒群算法，深入研讨参数的选择方法，论证这种算法的可行性和有效性，对相应算法性能分析，并提出相应的改进方法。 　　关键词：控制；微粒群算法；惯性环节；震荡环节 　　中图分类号：TP301 文献标识码：A 文章编号：1009-3044（2016）32-0235-04 　　1 引言 　　众所周知，微粒群算法（particle swarm optimization， PSO）被Kennedy和Eberhart创造性的提出来以后，因为这种算法不仅计算的速度很快，而且这种算法本身具有正确性和易实现性。在当今国际的相关的领域引起了很多学者的关注和深入探索，并运用于实际应用中。 　　目前一些前沿的科?W家已经把微粒群算法有效的应用在人工神经网络的训练方法、分选XOR问题的神经网络训练、极小极大的相关问题、众多的目标的优先改进等方面。而且，对于微粒群算法的修改完善方面，最早是由Kennedy和Eberhart率先提出的二进制的PSO算法。在1998年的时候，Shi和Eberhart率先的提出了带惯性系数的PSO算法，并且Clerc为了充分的保证这种微粒群算法的收敛性，就采取把收缩因子加入到进化方程中的方法。Angeline在学习借用进化计算的选择理论概念，并且把这种理论概念用在PSO算法里面。并且，Lovbjerg等人就更加深入的把进化计算的方法运在PSO算法里面。考虑到群体里面微粒的多种多样特性，为了保证这种特性，Suganthan在算法里面加入空间领域的理论概念，并且不断地完善这种方法，提升算法的相应的性能。 　　在算法收敛方面，F.van den Bergh借鉴Solis和Wets关于随机性的计算方法的收敛法则，通过结果表明了标准PSO算法不能收敛于全局的最佳解，甚至于局部最优解。在这个准则的基础上，作者提出随机PSO法，这种算法很好的保证以概率1收敛于全局最佳解。 　　这篇文章主要是运用控制理论对三个常见的微粒群算法进行深入分析研究，并且通过计算发现它们的速度进化方程大致都可以分解成许多个惯性环节、积分环节等特点的环节组合，而且这些组合都能借用一阶微分方程进行有力的叙述，为了这样，我们还要加入以二阶微分方程的震荡环节，高效的提升微粒群算法的全局收敛性能，进而很大程度提升微粒群算法的计算效率。作为一种随机的优化算法，PSO算法在相应的应用领域具有很大的用，所以，深入研究各种算法的有效性，对于提升微粒群算法具有很大的帮助，更好地为运用到实际中创造价值。 　　2 以控制理论为基础的微粒群算法分析 　　这篇文章主要是分析研讨下面的问题： 　　[maxf（x），][x∈D?Rn] （1） 　　一般标准微粒群算法大体可以作如下描述： 　　[vjk（t+1）=wvjk（t）+c1r1（pjk-xjk（t））+c2r2（pgk-xjk（t））xjk（t+1）=xjk（t）+vjk（t+1）] （2） 　　这里[vjk（t）]表示t时刻微粒j的速度向量的第k维分量，[xjk（t）]t时刻微粒j位置向量的第k维分量，[pjk]表示t时刻微粒j的历史最佳位置向量的第k维分量，[pgk]表示t时刻种群历史最佳位置向量的第k维分量。r1，r2是0到1之间的随机的两个数，w，c1，c2是常数。 　　众所周知，自打J.Kennedy率先提出了基本微粒群算法之后，在经过很多学者的不断的改进完善，最常使用的就是增加惯性系数w的标准微粒群算法和带收缩因子的改进微粒群算法。接下来，我们运用控制理论对这三种微粒群算法进行分析。 　　2.1 基本微粒群算法的分析 　　我们针对速度的进化的方程进行深入的研究分析。可以把方程式（2）的速度化方程改写为： 　　[vjk（t+1）=T1（t）+T2（t）+T3（t）] （3） 　　这里面的其他关系： 　　[T1（t）=vjk（t）T2（t）=c1r1（pjk-xjk（t））T3（t）=c2r2（pgk-xjk（t））] 　　可是为了深入明白[T1（t）]，[T2（t）]，[T3（t）]起到的作用，我们需要分别思考，下面三个特殊的进化方程式： 　　[vjk（t+1）=vjk（t）xjk（t+1）=xjk（t）+vjk（t+1）] （4） 　　[vjk（t+1）=c1r1（pjk-xjk（t））xjk（t+1）=xjk（t）+vjk（t+1）] （5） 　　[vjk（t+1）=c2r2（pgk