基于多样性反馈自适应粒子群优化算法.docVIP

基于多样性反馈自适应粒子群优化算法 　　摘要： 为了进一步提高种群多样性在粒子群优化执行中的效率，提出一种基于多样性反馈的自适应粒子群优化算法（APSO）APSO采用一种新的种群多样性评价策略，使惯性权值在搜索过程中随多样性自适应性地调整，从而均衡算法的勘探和开发过程此外，最优粒子采用精英学习策略跳出局部最优区域，从而在保证算法收敛速度的同时能够自适应地调整搜索方向，提高解的精确度通过一组典型测试函数的仿真结果，验证了APSO的有效性 关键词：粒子群优化； 多样性； 熵； 变异 中图分类号：TP301.6； TP18 文献标志码：A 0引言 粒子群优化（Particle Swarm Optimization， PSO）算法源于对鸟类群体捕食行为的模拟[1]，由于其机制简单、参数少、易于实现、无需梯度信息等特点，已经被广泛应用于科学和工程等不同领域[2-5]PSO模型的两个主要操作是速度和位移方程，在粒子寻优过程中，第i个粒子第d维空间的运动轨迹描述[6]如下： 其中：是粒子的速度向量，Vmin和Vmax分别表示粒子速度的下限和上限；xi是当前粒子的位置；w∈[0，1]是一随机数，称为惯性权值；c1和c2称为粒子的“认识系数”和“社会系数”，其值介于0和2 之间，分别用于调整lbesti和gbest 对粒子吸引的影响强度相比其他智能优化算法，PSO