对粒子群优化算法改进及应用.docVIP

对粒子群优化算法改进及应用 　　摘要本文首先给出了粒子群优化算法(Particle Swarm Optimization,即PSO)的概念及算法原理,然后对分析了其研究现状,并详细阐述了其算法的改进及应用,最后将PSO与其他算法进行比较。 　　关键词粒子群优化算法 PSO 群体 遗传算法 　　中图分类号:TP39文献标识码:A 　　 　　0 绪论 　　在鸟群、鱼群和人类社会的行为规律的启发下,由Kennedy和Eberhart在1995年提出的一种基于群智能(Swarm Intelligence)的演化计算技术,即粒子群优化算法(Particle Swarm Optimization,即PSO)。粒子群优化算法的基本思想是群体模型,这个群体模型是模拟鸟类的群体行为得到的。 　　1 PSO算法原理 　　粒子群优化算法中,粒子群由个粒子组成,每个粒子的位置代表优化问题在D维搜索空间中潜在的解。根据各自的位置,每个粒子用一个速度来决定其飞行的方向和距离,然后通过优化函数计算出一个适应度函数值(fitness)。粒子是根据如下三条原则来更新自身的状态:(1)在飞行过程中始终保持自身的惯性;(2)按自身的最优位置来改变状态;(3)按群体的最优位置来改变状态。 　　此算法是基于群体智能理论的优化算法的思想,群体中粒子具有记忆能力,它们相互合作与竞争,这样会产生群体智能指导优化搜索方式,并在搜索过程中进行调整。 　　2 PSO算法研究现状 　　PSO算法一经提出,就吸引了学术界众多学者的广泛重视,目前已经成为一个研究热点,关于PSO算法应用研究的各种成果不断涌现。专家研究此算法主要是因为其具有许多优点,如算法收敛速度快,设置参数少,使用的是高效的并行搜索算法等。其研究现状包括两方面:算法的改进和应用。 　　2.1 算法的改进 　　粒子群优化算法具有如下优点,如:(1)收敛速度快;(2)实现能力强;(3)易于理解;(4)使用过程中需要调整的只是少量参数,但自身也存在不足。如今,基本粒子群优化算法让许多学者通过三种途径做了各式各样的改进,这三种途径是:(1)使算法离散化;(2)提高收敛速度;(3)提高种群多样性。 　　研究发现,要想提高收敛速度的问题,不是修改算法的结构,而是去需要修改PSO算法的速度更新方程。许多专家都在提高收敛速度的问题上进行了研究。比如:(1)Kennedy和Eberhart曾经提出过PSO算法,1998年Y. Shi与R. C. Eberhart首次在此版本的基础上提出了将惯性权重引入到进化方程中,这样可以改善其收敛性能,通过调节惯性权重是早期使用最多的提高收敛速度的办法;(2)Clerc使用收缩因子来达到提高局部收敛速度的目的,这样能够确保算法的收敛性;(3)还有一种使用访求来改进算法,即使用新的函数扩展技术,这样可以提高PSO算法对复杂问题全局最优解的探测能力,改进后的算法能有效地提高PSO算法的全局收敛性能;(4)Angeline使用遗传算法中的选择操作,此种算法的优点是提高了收敛速度,缺点是搜索范围的能力降低,即不能够在大范围内进行搜索,所以无法在全局范围内搜索到最优解;(5)Lovbjerg提出了一种提高算法性能的方法:即把遗传算法中的复制和再结合操作引入到算法中。还有其他的方法,比如在基本PSO进化过程中,自适应的变异算法能够根据群体适应度方差和当前最优解的大小这两个方面来确定当前最优粒子的变异概率,变异操作可以增强粒子优化算法跳出局部最优解的能力,同时也可避免早熟收敛的问题。 　　PSO算法作为一种新的随机搜索算法,仍旧存在着如下缺点:早熟、收敛慢、导致寻优停滞。要解决这个问题,一些研究者提出了通过控制种群多样性来提高算法性能的方法。主要从两个方面进行|:一是分析出粒子和种群最优位置的距离,然后对种群进行随机多代初始化,最后并给能够减少算法早熟收敛性的不同策略;二是提高全局搜索性能,采用引入遗传算法的变异操作。 　　上述各种措施能够获得更好的优化结果,特别是针对多模态和较复杂问题,优化效果更好,不好的是会影响到算法的局部收敛速度,使之降低。总归来说,如果要想提高某种性能,当然,同时也会有其它副作用,需要找出某个问题的具体特点,然后根据领域知识对算法进行改进。 　　2.2 算法的应用 　　由于粒子群优化算法有着深刻的智能背景,所以应用的领域非常广泛,比如目前已经广泛应用于函数优化、工程技术、神经网络训练,人工智能以及其它遗传算法的应用领域。 　　PSO算法最早应用于人工神经网络的训练问题,最直接应用于多元函数优化方面。应用在神经网络方面主要指这两个方面:一是演化神经网络的权值;二是神经网络的结构;应用于多元函数优化方面主要包括带约束的优化问题,多目标优化问题、最大最小值