基于多种群改进粒子群算法多模态优化.docVIP

基于多种群改进粒子群算法多模态优化 　　摘要： 　　针对多模态函数寻优过程中开发与探索能力难以平衡的问题，提出一种基于多种群的改进粒子群算法（EMSPSO）。该算法在基于种群的粒子群算法（SPSO）的基础上改进了种群生成策略，通过在个体最优值中选择种子，将粒子群分为若干独立进化的种群，增强了算法收敛的稳定性；为了提高粒子的利用率、算法的全局搜索能力和搜索效率，引入冗余粒子重新初始化策略；同时为了防止算法在寻优的过程中遗漏适应度较优的极值点，对速度更新公式进行改进，使算法的开发与探索能力得到了有效的均衡。最后选用6个典型的测试函数进行对比实验，实验结果表明，EMSPSO具有较高的多模态寻优成功率与较优的全局极值搜索性能。 　　关键词： 　　多模态函数优化；粒子群算法；小生境技术；多种群；冗余粒子 　　中图分类号： 　　TP18 　　文献标志码：A 　　Abstract： 　　It is difficult to balance local development and global exploration in a multimodal function optimization process， therefore， an Enhanced MultiSpeciesbased Particle Swarm Optimization （EMSPSO） was proposed. An improved multispecies evolution strategy was introduced to Speciesbased Particle Swarm Optimization （SPSO）. Several species which evolved independently were established by selecting seed in the individual optimal values to improve the stability of algorithm convergence. A redundant particle reinitialization strategy was introduced to the algorithm in order to improve the utilization of the particles， and enhance global search capability and search efficiency of the algorithm. Meanwhile， in order to prevent missing optimal extreme points in the optimization process， the rate update formula was also improved to effectively balance the local development and global exploration capability of the algorithm. Finally， six typical test functions were selected to test the performance of EMSPSO. The experimental results show that， EMSPSO has high multimodal optimization success rate and optimal performance of global extremum search. 　　英文关键词Key words： 　　multimodal function optimization； Particle Swarm Optimization （PSO） algorithm； niche technology； multispecies； redundant particle 　　0引言 　　在现实生活中很多实际问题都可以抽象为数值函数寻优问题，有一些问题如神经网络集成、组合投资等，不仅要在解空间中找出全局最优解，还要尽可能多地找出有意义的局部最优解，为问题的解决提供足够的信息，此类问题被称为多模态优化问题[1-2]，抽象出的函数为多模态函数（multimodal function），而解决此类问题的过程便是多模态函数的寻优。 　　粒子群算法（Particle Swarm Optimization， PSO）[3]是Kennedy与Eberhard观察模仿鸟类迁徙觅食的群体行为，于1995年提出的一种群体智能优化技术。标准的PSO是单极值搜索的算法，一次只能搜