基于极值组合的分段PSO算法改进.pdfVIP

2010年 6月 十 堰 职 业 技 术 学 院 学 报 June。2O10 第 23卷第 3期 JournalofShiyanTechnicalInstitute Vo1．23NO．3 基于极值组合的分段 PSO算法改进 许 敏 (无锡职业技术学院 电子与信息技术学院，江苏 无锡 214121) [摘 要] 本文根据极值组合原理 ，结合粒子群 (PsO)算法的本身特性 ，提 出一种基于极值组合 的分段 PSO算法 DPSOE(DivisionParticleSwarm Optimum BaseonExtremum ElementAs— sembling)，并通过实验证明这种算法在函数优化时能有效避免陷入局部最小，且算法效率较高。 [关键词] 极值组合 ；粒子群优化；分段 [中图分类号] TP301．6 [文献标识码] A [文章编号] 1008—4738(2010)03—0096—03 陷入局部最优是智能算法在解决函数优化问题 置，优化搜索正是在由这样一群随机初始化形成 的 中遇到的难题之一。近些年来 ，很多人从理论和实 粒子而组成的一个种群中，以迭代的方式进行的[2]。 验上针对这方面进行研究 ，并取得了很 多成果。极 1．2 PSO算法数学描述 值组合便是其 中的一种解决方法口]：从得到的问题 PSO算法通常的数学描述为[2]：设在一个 N维 极值出发 ，通过极值组合得到更多极值，这样使得在 搜索空间中，有m个粒子组成一个群体，其中第 i个 极值中得到最优解的可能性大大增加。在寻找问题 粒子 (i—l，2，…，m)在 N维搜 索空间中的位置表示 极值中，PSO算法 以它的并行性 ，计算简单 ，成为了 为z ===(黝 ，．72 …z )，换言之 ，每个粒子 的位置 寻找问题极值的最佳方法 。本文提 出了一种基于极 就是 1个潜在解，将 xi代入 目标 函数就可以计算 出 值组合的分段 PSO算法 DPSOE(DivisionParticle 其适应值 ，根据适应值大小衡量其优劣 ，它经历过粒 Swarm Optimum BaseonExtremum ElementAs— 子群优化算法 的分析及改进的最好位置记为 pbest sembling)，从而对原有 PSO算法进行改进 ，并通过 一 (P P …，Pi)，整个群体所有粒子经历过的最 实验证 明这种改进方法是有效的。 好位置记为 gbest一(P P …，P )，粒子 i的速 1 PSO算法 度表示为 一 ( ，…口)[23。 1．1 PSO算法 内涵 Kennedy和 EberhartL2最早提 出的PSO算法 Kennedy和 EberhartL2等人 1995年提 出粒子 采用下列公式对粒子操作 (单位时间 1)： 群算法 (ParticleSwarmOptimization，PSO)，此算 蚶 = ×诌 + ×rl×( 一 )+ ×rz 法源于对鸟群捕食行为的简化社会模型的模拟 ，从 × (P 一 z ) (1) 这种生物种群行为特性中得到启发并用于求解优化 = z +谢 (2) 问题 。在 PSO 中，每个优化问题的潜在解都可以想 式中 ：i一1，2，…，m；d一1，2，…N；为第 i个粒 象成 D维搜索空间上的一个点 ，我们称之为 “粒子” 子第 k次迭代 中飞行速度 的第 d维分量 ， ∈ (Particle)，粒子在搜索空 间中以一定 的速度飞行 ， [ ， ]，即粒子速度 被一个最大速度限制；z 这个速度根据它本身的飞行经验和同伴的飞行经验 为第 i个粒子第七次迭代中位置的第d维分量 ；P 来动态调整 ，所有粒子都有一个被 目标 函数决定的 为粒子 最好位置的第 d维分量 ；P 为整个微粒群 适应值 (fitnessvalue)，并且知道 自己到 目前为止