粒子群优化算法理论及实践探讨.docVIP

粒子群优化算法理论及实践探讨 　　[摘 要] 粒子群优化算法（也称PSO算法）是近年发展起来的一种新型的进化算法，它具有易实现、精度高、收敛快等特点，在学术界引起了重大的关注。虽然粒子群优化算法在研究领域中已经发展了近十年，但不管是理论还是实践都还未成熟。在高维复杂应用中，粒子群优化算法还存在着一些问题，为了使算法能够应用更广泛，应该去研究简化粒子群优化算法的收敛方法，如参数算法、自适应粒子群优化算法等等。 　　[关键词] 粒子群优化算法； 应用； 惯性权重； 混合算法 　　一 前言 　　随着科学技术的发展，人类认识世界的范围扩大了起来，而且对于一些未解之谜也有了解决的工具。人类需要对这个客观社会的规律进行全面的了解，现已有很多优化方法可以处理人类所面对的难题，而最基本的优化方法如遗传算法、人工神经网络和蚁群算法等等都在实际生活中应用。粒子群优化算法是通过对鸟群捕食的行为进行模拟的自然界现象的研究，是一种群集智能的优化算法，它具有很强的通用性，操作起来较方便、较简单、易实现，在科学研究和工程实践中应用广泛。 　　二 粒子群优化算法的现状 　　粒子群优化算法最初是是1995年由Kennedy博士和Eberhart博士研究发明的一种算法，它是模拟鸟群捕食行为的一种研究。粒子群优化算法自从提出后，就被广泛学者关注，其就在诸多领域中成功的应用。目前，粒子群优化算法在函数优化、神经网络训练、工程领域应用、模式分类等领域中都取得了良好的效果。粒子群优化算法的数学基础较差，没有具有特别和深入透彻的分析理论。随着其他学科的发展，最初的优化方法已体现出不足，在优化的过程中，存在着很多问题，如早熟收敛，寻优精度差等缺点。在对粒子群优化算法的理论研究中，部分研究者对粒子群优化算法的收敛性进行了研究和分析。其中较多集中研究一些简单的理论，一部分集中研究粒子群优化算法构成的性能改善，混合其他算法来对算法改进的一个重要思路，但最多的还是选择利用新算法来对粒子群优化算法的探索能力进行研究调整，从而使粒子群优化算法在全局和局部中得到最优解。 　　三 粒子群优化算法的缺点 　　自Kennedy和Eberhart提出粒子群优化算法后，受到不少的研究者关注。目前，粒子群优化算法在我国也得到了广泛的关注。但是粒子群优化算法在实际应用中还存在着一些问题。 　　（一）粒子群优化算法的早熟收敛 　　在一些高维应用中，粒子群优化算法比较容易遇到早熟收敛的问题，也就是种群在局部领域中会聚到一个点停止不动。若种群早熟收敛点，有可能会变成局部的一个极小的点。如果粒子的领域轨迹收敛，那它将会种群搜索到的最佳位置和它本身找到的最优位置。若粒子都停止在这个位置，只能说明粒子所找的位置并不是全局最好的位置，而优化程度也只能不再提高。所以，研究早熟收敛点对粒子群优化算法的进一步发展奠定了一定的基础[1]。 　　（二）粒子群优化算法的收敛速度慢 　　经对粒子群优化算法的寻优后期研究发现，粒子群优化算法在进入全局最优点的领域时的收敛速度比较慢，而在早期的研究中，算法的收敛速度很快。这其中只能说明算法的局部寻优能力差，缺乏有效体制让算法脱离极小点。 　　（三）难以选取粒子群优化算法的参数 　　控制参数是决定算法的实施过程和研究的重要因素，在对粒子群优化算法研究过程中，所选取的参数值跟其有的参数值有较大的区别。与其他算法相似，粒子群优化算法本身也有控制自身特性的参数，因此，选取参数仍然是实施过程中最难得问题。一般以为，不同的问题应该选取其对应的参数，但是如果对粒子群优化算法参数的采用有一定的认识性，将会对选取参数的不同领域的问题有较大的帮助[2]。 　　（四）粒子群优化算法的探索能力差 　　粒子群优化算法不仅只存在早熟收敛、收敛速度缓慢、难以选取参数等问题，它还存在特所能力差的缺点。粒子群优化算法的全局和局部探索能力很差，在粒子进入开发阶段中，若粒子算法的探索精度不够高，不能保证粒子在全局和局部中探索的过程中搜索到全局最优解，而且还很容易陷进全局和局部的最小解，使粒子算法无法进行探索，还有可能会导致算法还没探索到全局和局部最优解就提早结束探索，从而停止迭代。其实，粒子群优化算法在算法理论中缺乏表现，而且其理论还没有完善[3]。 　　四 优化粒子群优化算法 　　粒子群优化算法是一种新型的智能优化算法，它的原始算法为v[] = w * v[] + c1 * rand（） * （pbest[] - present[]） + c2 * rand（） * （gbest[] - present[]） （a） present[] = persent[] + v[] （b） v[] 是粒子的速度， w是惯性权重，persent[] 是当前粒子的位置. pbest[] and gbest[] 如前定义 rand