基于亲和力动态自适应粒子群算法.docVIP

基于亲和力动态自适应粒子群算法 　　摘要：针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法（DCWAPSO），在该算法中引入亲和力的概念,并根据它对粒子群算法搜索能力的影响，将惯性因子表示为亲和力的函数在。每次迭代时算法可根据当前粒子群亲和力的大小动态地改变惯性权重，从而使算法具有动态自适应性。对六个典型函数的测试结果表明, DCWAPSO算法的收敛速度明显优于LDWPSO算法，收敛精度也有所提高。 　　关键词：粒子群优化；惯性权重；亲和力；自适应 　　中图分类号：TP18 文献标志码：A 文献标识码：1009-3044(2008)33-1489-03 　　 　　Dynamical Adaptive Particle Swarm Algorithm Based on Affinity 　　GAO Chao,CAI Xiao-nan 　　(School of Software Engineering in Tongji University, Shang Hai 201804, China) 　　Abstract: A new adaptive Particle Swarm Optimization algorithm with dynamically changing inertia weight (DCWAPSO) is presented to solve the problem that the linearly decreasing weight (LDWPSO) of the Particle Swarm Optimization algorithm cannot adapt to the complex and nonlinear optimization process. The affinity of the particle swarm is introduced in this new algorithm and the weight is formulated as a function of this factor according to its impact on the search performance of the swarm. In each iteration process, the weight is changed dynamically based on the current affinity value, which provides the algorithm with effective dynamic adaptability. The algorithm of LDWPSO and DCWAPSO are tested with six well-known benchmark functions. The experiments show that the convergence speed of DCWAPSO is significantly superior to LDWPSO , and the convergence accuracy is increased. 　　Key words: particle swarm optimization (PSO); inertia weight; affinity; adaptability 　　 　　1 引言 　　粒子群优化（Particle Swarm Optimization简称PSO）是由Kennedy和Eberhart[1]等提出的一类模拟群体（swarm）智能行为优化算法。其思想来源于对鸟群捕食行的研究，它与遗传算法和蚁群算法相比，PSO有着算法简单，容易实现，并且可调整参数少等特点，因此被广泛地应用于结构设计[2]，电磁场[3]和任务调度[4]等工程优化问题。 　　在粒子群算法的可调整参数中，惯性权值是最重要的参数，较大的权值有利于提高算法的全局搜索能力，而较小的权值会增强算法的局部搜索能力，为了找到一种能在全局搜索和局部搜索之间取得最佳平衡的惯性权值选取方法，研究人员进行了大量的研究工作，先后提出了线性递减权值（LDIW）策略[5]，模糊惯性权值（FIW）策略[6]，和随机惯性权值（RIW）策略[7]。其中，FIW策略需要专家知识建立模糊规则，实现难度较大，RIW策略被用于求解动态系统，LDIW策略相对简单且收敛速度快，因此被广泛应用。 　　本文在递减惯性权值的基本思想指导下，提出了一种新的基于亲和力的自适应惯性权重，当亲和力较小时表明粒子距离最优位置较远，此时应使粒子较快地进入局部搜索，