粒子群算法的收敛性研究综述.docVIP

粒子群优化算法的收敛性研究综述 摘 要: 给出了粒子群与改进算法的分类及其进展，指出了粒子群算法收敛性理论分类及其进展，最后对各粒子群算法的收敛条件进行了对比。 关键词：粒子群算法 粒子群算法分类 收敛条件 粒子群优化算法(PSO:Particle Swarm Optimization)是一种优化计算技术。起源于对鸟群和鱼群群体运动行为的研究，是一种基于迭代的优化工具，是一种基于群只能方法的演化计算技术。PSO算法概念简单容易实现，并且没有许多参数需要调整，短短十几年里，PSO算法已经取得了很大的发展，目前已广泛应用于函数优化、神经网络的训练、模糊系统的控制、以及其他遗传算法的应用领域。。但是它由于容易陷入局部极小点，搜索精度不高，科研工作者对其作了各种各样的改进。目前已提出了多种PSO改进算法。如自适应PSO算法,混合PSO算法，协同PSO算法，离散PSO算法。一些学者从数学的角度对算法的收敛性进行了初步分析。 本文以下部分的组织是：第1节介绍粒子群算法的分类及其当前研究进展；第2节介绍粒子群算法收敛性理论分类及其进展；最后对比各粒子群算法的收敛条件。 1 粒子群与改进算法的分类及其进展 1.1 自适应PSO(Adaptive Particle Swarm Optimization,APSO) 由于较大的惯性因子W值有利于跳出局部极小点，而较小的W值有利于算法收敛，于是科研工作者就提出了自适应调整W的方法，即随着迭代的进行，线性地减小W值。这种方法的进一步发展就是采用模糊规则动态地修改W的值。即构造2个输入，一个输出的模糊推理机来动态修改惯性因子W。模糊推理机的两个输入分别是当前W值，输出为W的增量。通过自适应调整全局系数，兼顾搜索效率和搜索精度，是一类有效的算法。但是对许多复杂的非线性优化问题，试图通过自适应调整一个全局系数提高搜索精度的余地是有限的。 1.2 混合PSO(Hybrid Particle Swarm Optimization,HPSO) 受到遗传算法的启示，文献[5,6]最早提出了混合PSO算法。混合PSO算法是将基本PSO算法和选择机制相结合而得到的，基本的PSO算法的搜索过程很大程度说那上依赖pbest和gbest,它的搜索区域受到gbest和gbest的限制。在一般的进化算法中，选择机制用来选择相对较好的区域和淘汰较差的区域。可以更合理地分配有限的资源。 混合PSO算法的选择机制与遗传算法非常相似。混合PSO算法计算每个个体基于当前位置的适应值，并将这些适应值排序，然后将群体中一半适应值差的个体的当前位置和速度替换为另一半好的个体的当前位置和速度，但保留每个个体的最好位置pbest。因此，群体搜集集中到相对较优的空间，但还受到个体自身以前最好位置的影响。 文献[6]中进一步具有繁殖和子群的HPSO算法。粒子群中的粒子被赋予一个杂交的概率。这个杂交的概率是用户确定的，与粒子的适应值无关。在每次迭代中，依据杂交概率选取指定数量的粒子放入一个池中。池中的粒子随机地两两杂交，产生同样数目的孩子粒子，并用孩子粒子代替父母粒子，以保持种群的粒子数目不变。孩子粒子的位置由父母粒子的位置的算术加权和计算。同时，在文献[5-7]的实验结果显示，HPSO算法的收敛速度比较快，搜索精度也相对比较高，对一类非线性优化问题可以得到满意俄结果。不过引入了较多的待调整参数，对使用者得经验有一定要求。 1.3协同PSO（Cooperative Particle Swarm Optimization,CPSO) 文献[8]提出了一种协同PSO算法，这种协同PSO算法在迭代初期，适应值下降缓慢，即收敛速度慢，不过这种协同PSO算法因为实际上采用的是局部学习方法，因此比基本的PSO算法更易跳出局部极小点，达到较高的收敛精度。 1.4 离散PSO(Discrete Particle Swarm Optimization) 标准PSO算法实际过程中的连续空间优化问题表现出了优异的性能，但是对于解决离散优化问题，PSO算法就非常有些乏力，因此，又有离散二进制PSO被提出来用来组合优化问题。文献[9]研究了离散的PSO算法，并且把它应用到旅行商问题的求解。虽然离散PSO算法扩展了基本PSO算法的应用领域，尤其是让人们看到了在组合优化问题中的应用前景，但是，正如文献[10]说的那样，PSO算法的优势在于求解一些连续函数的优化问题。在组合优化这类问题上，目前，PSO算法还没有蚁群算法那样有优势。 2粒子群算法收敛性理论分类及其进展 PSO算法的理论分析主要研究算法的收敛性。关键是算法是否收敛，收敛到那？PSO算法的理论分析一直是PSO研究的热点，目前多数研究者都是通过大规模计算来对算法进行分析和研究。PSO算法理论