基于惯性因子动态化一种改进型粒子群算法.docVIP

基于惯性因子动态化一种改进型粒子群算法 　　【摘 要】由于PSO算法采用了随机集群的理念，与其他智能算法类似，会出现“早熟”或收敛速度慢的问题。全面学习粒子群算法（CLPSO）是模拟鸟群的随机搜索行为的一种应用于连续空间的群体智能优化算法，其主旨是对每个粒子的历史最优值一种概率的形式出现进行更新。受全面学习粒子群算法启发，结合基于惯性因子的PSO改进算法，对惯性因子动态化，得到一种改进型粒子群算法。改进算法可以较好地拓展粒子的学习对象和搜索范围，避免“早熟”现象；能够较好地跳出求解聚类中心过程中易陷入某一局部的极小值的情况，从而得到全局最优解。 【关键词】全面学习粒子群算法（CLPSO） 惯性因子动态化 改进算法 【中图分类号】G642 【文献标识码】A 【文章编号】1674-4810（2013）15-0054-02 自粒子群算法提出至今，由于该算法本身所具有的易于实现、计算快速等优越性能，使得它受到很多学者的青睐。目前，对于PSO算法的理论研究和实际应用都取得了非常大的发展，但是该算法仍然有一些缺点，如易陷入局部最优点、后期收敛速度较慢等。针对上述的情况，本文提出了一种改进型的粒子群算法，然后用多种权威标准的测试函数测试改进了的算法。与标准算法比较分析其结果，得出将粒子群优化算法进行改进后，在加速后期的收敛性、防止得到的结果是局部最优解，改善收敛稳定性方面显示了良好的潜能。 一 基本粒子群算法 1.粒子群算法简介 1995年，在受到鸟群觅食的启发之后，Kennedy和Eberhart提出了粒子群优化算法（Particle Swarm Optimization，PSO）。PSO算法是一种群体智能优化方法，和其他群体智能优化算法相比，它具有易于实现和优化过程简单的优点。PSO算法通过微粒群初始化来随机初始化微粒群，组成随机种群，每个粒子被抽象成为没有体积和质量，最优解也在其中，而单个微粒除了有一个适应度值（即目标函数的优化值）以外，还有两个矢量，分别代表飞行速度和位置。在整个全局寻优的过程中，算法模拟具有智能的群体，利用粒子间的合作与竞争，让每个粒子在限定的搜索范围内以限定的速度进行搜索，这样从整体上看对每一个粒子通过不断迭代更新自身的速度和位置，搜索全局最优位置。 2.基本粒子群算法简介 假定存在n维的搜索空间，在算法开始的时候，取定粒子数为m来建立微粒群，通过每次迭代来更新粒子信息，这个过程中，粒子需要不断地对两个极值进行跟踪以达到更新自己的目的。首先，第一个是粒子在附近找出个体的最优的值Pbest，将其看作是粒子的个体飞行经验解；另一个极值Gbest是全局最优解（不是所有的粒子都能寻到），并将其看作是群体的飞行经验。 设：粒子i的当前位置：xi=（xi1，xi2，…，xin）；粒子i的前飞行速度：vi=（vi1，vi2，…，vin）；粒子的最佳适应值（即Pbest）：Pi=（Pi1，Pi2，…，Pid）；粒子群的全局适应值（即Gbest）：Pg=（Pg1，Pg2，…，Pgd）。 在每次迭代中，单个粒子根据如下公式来更新速度和位置的值： （ ） （ ） （1） （2） 其中，i=1，2，…，m，m表示群体中的粒子个数；k=1，2，…，l，l是迭代最大次数；d=1，2，…，n，n是自变量的个数； 、 分别表示在第k次迭代，第i个粒子位置矢量、速度矢量的第d维的分量； 表示第k次迭代，第i个粒子在局部最优位置pb的第d维的分量； 表示第k次迭代，全部粒子在最优位置gb的第d维的分量；c1、c2是学习因子，取值范围大于或等于0，分别用于调节微粒向本身最好、向群体最好的位置飞行，是用于调节微粒的位置飞行。二者一般在[0，2]内取值，通常令c1=c2，适合的学习因子可以加快收敛且不易陷入局部最优。rand1和rand2是两个介于[0，1]之间的服从均匀分布的随机数。为了尽量避免在迭代过程中发生粒子离开搜索空间，通常给粒子的速度限定一个范围，即vid∈[-vmax，vmax]。若问题的搜索空间限定在[-xmax，xmax]，则可设定vmax=k*xmax，其中k∈[0.1，1]。由更新公式很容易得到粒子更新的速度计算主要由三个部分决定，即粒子i更新前的 ，粒子i的当前位置与粒子最优位置之间的距离（ - ），（ - ）表示粒子i所在位置距离粒子群中最优位置的大小。该粒子新位置的确定可通过（1）、（2）两个式子判断。 二 基于惯性因子的PSO改进算法 粒子群算法不要求目标函数具有很好的数学性质，如有偏导和连续等特点，并且它是一种随机并行的易于实现的优化算法。但是，目前PSO仍然面临着一些比较困难的问题，针对不同的问题，研究者做了不同的改进。算