基于多维问题交叉算子量子粒子群优化算法.docVIP

基于多维问题交叉算子量子粒子群优化算法 　　摘要 针对量子行为粒子群优化（QPSO算法在求解多维问题时优秀维信息丢失的问题，引入交叉算子的策略，改善解的质量，提升算法性能。首先，分析了量子粒子群算法进化过程中的粒子整体更新评价策略，发现各维信息之间相互干扰，会丢失已经搜索到的优秀维信息；然后，指出如果采用逐维进化方法，会指数级增加算法的复杂度；最后，提出对进化过程中的问题解采用多点交叉的策略增加优秀维信息的保留概率，并将改进后的量子粒子群算法与线性下降参数控制策略、非线性下降参数控制策略方法通过12个CEC2005 benchmark测试函数进行了比较，并对结果进行了分析。仿真结果显示，所提算法比改进前在10个测试函数中取得了明显的改进效果，而比其他2种改进算法也在7个测试函数中取得了优势。因此该算法能够有效提升量子粒子群优化算法的性能。 　　关键词 　　粒子群优化算法；交叉算子；维信息；量子行为；交叉率 　　中图分类号 TP301.6 　　文献标志码 A 　　0引言 　　粒子群优化（Particle Swarm Optimization， PSO算法是Kennedy等[1]提出的群体优化算法，算法源于对鸟群觅食行为的模拟。基本粒子群算法的进化方程为： 　　vid（t+1=vid（t+c1?r1?（pid（t-xid（t+c2?r2?（Pgd（t-xid（t（1 　　xid（t+1=vid（t+1+xid（t（2 　　在算法进化过程中，粒子共享群体的“最优”位置信息Pg，通过搜索多维问题解空间，不断地更新自身的速度信息vi和位置信息xi，不断地比较和追随候选的问题空间解，最终发现问题的最优解或者局部最优解。自PSO算法提出以来，因其进化方程简单、搜索能力较好、收敛速度快得到广泛的应用。但从PSO算法本身并不是一种全局优化算法[2]，许多学者对它进行了大量的研究工作，提出了一些改进方法，取得了一定的改进效果[3-4]。Sun等在分析粒子群优化算法机理的基础上，深入研究了社会智能群体进化过程，将量子理论引入了PSO算法，提出了具有全局搜索能力的量子行为粒子群优化（Quantumbehaved Particle Swarm Optimization， QPSO算法[5-6]。QPSO算法具有计算简单、编程易于实现、控制参数少等特点，引起了国内外相关领域众多学者的关注和研究[7-9]，也在一些实际问题中得到了应用[10-12]。 　　在QPSO算法中，群体中粒子信息的交互是通过粒子的每一维（多维问题信息的共享而进化的，而在粒子评价时，是以粒子的整体信息（多维信息的结合评价的。也就是说，迭代进化后的粒子总体优于进化前的粒子并不表示，进化后粒子的每一维信息都优于进化前粒子的对应维信息，这样在进化过程中就会丢失整体较差粒子中维信息较好的情况。如果将QPSO算法中引入交叉算子，通过交叉操作，将增加粒子维信息保留的概率，从而提高算法的性能。基于这种思想，同时受遗传算法的启发，本文提出了一种具有交叉算子的量子粒子群优化算法（QPSO with Crossover Operator， COQPSO，改善算法的整体性能。 　　第3期 　　奚茂龙等：基于多维问题的交叉算子量子粒子群优化算法 　　计算机应用 第35卷 　　1量子粒子群优化算法 　　基本PSO算法不是全局优化算法，Clerc等[13]通过对PSO算法中粒子运动轨迹的分析，指出如果每个粒子都能够收敛到它的局部吸引点Pi=（Pi1，Pi2，…，PiD，那么PSO算法可能收敛。其中： 　　p′id（t=c1r1d（tPid（t+c2r2d（tPgd（tc1r1d（t+c2r2d（t； 1≤d≤D（3 　　并设 　　φd（t=c1r1dc1r1d（t+c2r2d（t（4 　　式（3、（4中，t是算法当前迭代次数，r1d（t和r2d（t是[0，1]的随机数，Pid为粒子的当前最优位置，Pgd为群体的全局最优位置。 　　Sun等[5]将PSO算法的进化系统假设为量子系统，在量子空间中，粒子的速度和位置是不能同时确定的，每个粒子的状态都由波函数ψ来确定，ψ2是粒子位置的概率密度函数。假定在第t次迭代，粒子i在D维的空间运动，该粒子在第j维的势阱为p′ij（t，则在第t+1次迭代可以得到粒子i的波函数为： 　　ψ[xij（t+1]=1Lij（t exp[-xij（t+1-p′ij（t/Lij（t]（5 　　则概率密度函数Q为： 　　Q[xij（t+1]=ψ[xij（t+1]2=1Lij（t exp[-2xij（t+1-p′ij（t/Lij（t]（6 　　概率分布函数F为： 　　F[xij（t+1]=exp[-2xij（t+1-p′ij（t/Lij（t]