多样性反馈与控制粒子群优化算法.docVIP

多样性反馈与控制粒子群优化算法 　　摘 要： 　　针对粒子群优化（PSO）算法的早熟收敛问题，提出了一种多样性反馈与控制的粒子群优化 （DFCPSO）算法。该算法在搜索过程中根据多样性反馈信息，动态调整算法参数，改善了搜索次数在多样性曲线上的分布情况。当多样性或群体适应度方差下降到给定的阈值时，通过基于最优点排斥的初始化操作，高效率发散，使粒子飞离聚集区域，重新开始搜索，从而使种群多样性保持在合理范围内，避免了早熟收敛现象。对多个标准测试函数的实验结果表明，与当前多样性控制的粒子群优化（DCPSO）算法相比，DFCPSO算法在复杂优化问题和多模态优化问题中具有更强的全局搜索能力。 　　关键词：粒子群优化；早熟收敛；多样性； 全局最优 　　中图分类号： TP301.6 　　文献标志码：A 　　Diversity feedback and control particle swarm optimization algorithm 　　Abstract： 　　Concerning the premature convergence problem in Particle Swarm Optimization （PSO） algorithm， a Diversity Feedback and Control PSO （DFCPSO） algorithm was proposed. In the process of search， the algorithm dynamically adjusted the algorithm parameters according to the feedback information of diversity； as a result， the distribution of iterations in the diversity curve was improved. When the population diversity or the variance of the populations fitness dropped to the given thresholds， the proposed algorithm would let the particle swarm initialize based on the repulsion of the global best position and fly away from the gathering area efficiently to search again， hence the diversity was controlled in a reasonable range， which avoided premature convergence. The experimental results on several well-known benchmark functions show that DFCPSO has stronger global optimization ability in the complicated problems and multi-modal optimization when being compared with the existing Diversity-Controlled PSO （DCPSO）. 　　Key words： 　　Particle Swarm Optimization （PSO）；premature convergence；diversity；global convergence 　　0 引 言 　　粒子群优化（Particle Swarm Optimization， PSO）算法是由Eberhart和Kennedy于1995年提出的一种基于群体智能的优化方法，其模拟鸟群觅食过程中的迁徙和聚集行为，通过各个粒子间的交流协作，搜索问题的最优解[1]。PSO算??具有运算简便、易于实现、控制参数少等特点，已成功应用于神经网络、路径规划、工业优化等科学和工程领域[2-6]。 　　PSO算法存在的一个主要问题是在解决多峰优化问题时易出现早熟收敛现象。针对该问题，Riget等[7]提出了吸引—排斥粒子群优化（Attractive and Repulsive Particle Swarm Optimization， ARPSO）算法，当种群多样性下降到给定阈值dlow时，该算法将标准PSO中的学习因子改为负数，使粒子由原来的吸引运动改为排斥运动，增强种群多样性；当种群多样性上升到给定阈值dhig时，再将学习因子改成标准PSO算法中的正数，恢复吸引运