基于边界处理改进局部信息粒子群优化算法.docVIP

基于边界处理改进局部信息粒子群优化算法 　　摘要：具有代表性的一种局部信息粒子群优化模型大幅度提高了解决多模优化问题的能力，但该类算法存在难以搜索到位于边界附近且跨度较小区域优化解的问题。提出了一种改进的粒子群优化算法，以增强其处理多模优化问题的能力。在算法迭代过程中，利用边界处理方法，让超出边界的粒子修复后以较大概率落在边界附近，从而加强对边界附近且跨度较小区域的搜索。与原算法实验对比表明，改进后的算法鲁棒性更强。 关键词：多模函数；粒子群优化；边界处理 中图分类号：TP301.6 文献标识码：A 文章编号：1672-7800（2014）003-0062-03 作者简介：刘宇航（1989-），男，中南民族大学计算机科学学院硕士研究生，研究方向为智能计算。 0 引言 研究表明，PSO算法在解决复杂优化问题上展现出高效、鲁棒的能力[1]，然而仅使用标准PSO算法依然不能较好解决多模优化问题中需要同时保留多个优化解的问题。 小生境[2]技术采用局部竞争策略，能较好地同时保留多个优化解，因此许多学者把小生境技术与粒子群优化算法结合，提出了各种求解多模优化问题的粒子群优化算法。但是，基于小生境技术的粒子群优化算法存在难以准确预估小生境参数大小的缺陷。 最近被提出的LIPS（Locally Informed Particle Swarm）算法[3]避免了小生境参数的使用，而是利用距离（基于每个粒子当前最好位置的欧几里德距离度量）最近的若干邻居个体来引导粒子搜索，从而避免了小生境参数带来的弊端。另外，LIPS算法采用了一种加强的局部搜索算子，使得所求解精确度更高，因此LIPS算法迅速受到了业界关注[4-5]。然而我们发现，随机初始化粒子群导致了跨度较小区域中粒子数较少，在基于最近距离选择邻居的情况下，跨度较小区域中的粒子可能选择相连区域的粒子作为邻居，这些邻居可能误导粒子飞行，使得跨度较小区域中的粒子不能较好地向本区域的优化解逼近，最终难以搜索到其优化解，尤其是在跨度较小区域靠近边界附近的情况下。本文利用算法迭代过程中超出边界的粒子，让其修复后以较大概率落在边界附近，来有效增加边界附近跨度较小区域中粒子的个数，从而降低这些粒子选择相连区域的粒子作为邻居的可能性。实验结果表明，改进后的算法鲁棒性明显增强。 1 局部信息粒子群优化算法概述 1.1 LIPS算法介绍 LIPS算法的最大特点是利用来自距离最近若干邻居粒子的局部信息引导粒子搜索，能够收敛到不同的全局优化解。邻居个体的数目控制着算法在求解多模优化问题中多样性与收敛速度的平衡。若邻居个体数目较多，LIPS算法收敛较快；若邻居个体数目较少，粒子群的多样性较好。因此，LIPS算法在迭代初期选择较小的邻居数目值，之后邻居数目值随着算法迭代次数的增加而增大。 LIPS算法的另一特点是充分利用邻居个体信息。传统PSO算法仅利用一个粒子引导另一个粒子搜索，LIPS算法充分利用了所有邻居信息，所有被选中的邻居粒子都对粒子搜索有着非常重要的作用。采用这种加强的局部算子，大大提高了算法求解精度。 LIPS算法主要有以下两个优点：①该算法不需要小生境参数，避免了需要确定小生境参数带来的缺点，这是以往基于小生境的算法无法做到的；②该算法充分利用邻居的局部信息，加大了局部搜索能力，所得解的精确度是其它算法难以达到的，同时加快了收敛速度。 1.2 LIPS算法问题分析 LIPS算法具有优秀的性能，但是该算法存在难以找到跨度较小区域中优化解的问题。由于随机化产生粒子群，位于跨度较小区域中的粒子数较少，在基于最近距离选择邻居的情况下，种群中位于跨度较小区域的粒子可能选择相连的跨度较大区域的粒子作为邻居，这些邻居可能误导粒子飞入跨度较大区域，从而使得跨度较小区域的粒子难以向其优化解逼近。考虑到跨度较小区域可能位于可行域的不同位置，本文分以下两种情况进行讨论。 1.2.1 跨度较小区域位于可行域边界附近 F3函数曲线如图1所示。由图1可知，F3函数在边界处取得两个优化解（x=0，x=30），且各自所在区域（x=0～2.5，x=27.5～30）的跨度都较小。事实上，算法起初位于这两个区域的粒子数就相对较少，导致落在这两个区域的粒子可能在相连的区域（x=2.5～7.5，x=17.5～27.5）寻找邻居，那么位于这两个区域的粒子可能被与之相连区域的邻居粒子引导，从而原属于这两个区域的粒子可能飞入与之相连的区域。尽管在算法迭代过程中，粒子可能还会飞入这两个区域，但也有可能又飞出这两个区域，这种恶性循环导致这两个区域中的粒子很难向各自优化解（x=0，x=30）逼近。LIPS算法求解F3函数过程中粒子群的变化如图2所示，随着算法的