粒子群算法改进算法研究.docVIP

粒子群算法改进算法研究 　　摘 要： 粒子群优化算法（Particle Swarm Optimization，PSO）是一种高效、动态的优化算法，该算法比较容易实现，也无需调整太多的参数；然而算法后期收敛速度慢，最主要的是易陷入局部极值，为了改善这些缺点，学者们纷纷提出了许多改进的算法，并将其已经应用于科学和工程等多个领域。本文主要是在基本PSO的基础上进行改进，提出了一种新的改进算法―LPSO。最后通过仿真实验证实，改进后的算法在收敛速度和收敛精度上都得到了很大提高。 　　关键词：粒子群 自适应 早熟收敛 交叉操作 　　中图分类号： TP301.6 文献标识码：A 文章编号1672-3791（2015）06（a）-0000-00 　　Research on improved algorithm of particle swarm optimization 　　WEI Xiaoyan 　　（School of Engineering， Xian Siyuan University， Xi’an 710038，china） 　　Abstract： Basic PSO is an efficient and dynamic optimization algorithm， it is easy to achieve and dont need too much parameters adjustment； however， it has slow convergence， easily failing to local extreme values， in order to improve these disadvantages， some scholars have put forward a lot of improved PSO. In this paper， we introduce an improved PSO， and then prove it effective . 　　Key words： PSO； adaptation； Local convergence； crossover operation； 　　1 引言 　　在现实生活中，无论从事什么样的职业，都会遇到优化问题。随着科技的不断发展、世界的不断变化，早前一些静态的、传统的方法，如单纯形法、共轭梯度法、模式搜索法以及牛顿法等，已经不能够很好的处理一些复杂的问题，于是动态的、高效的粒子群算法（PSO）便成为了众多学者研究的热点【1】。 　　基本PSO算法虽然比较简单，实现相对容易，不需要调整太多的参数，同时算法的早期收敛速度也比较快；但算法后期会受到随机振荡现象的影响，导致算法搜索到全局最优解的时间比较长，减慢 　　了收敛速度；并且在一定程度上使其局部搜索能力表现较差，极易陷入局部最小值，精度降低，易发 　　散【2】。针对基本粒子群算法的收敛精度问题，本文提出了一种新的改进粒子群优化算法―LPSO。 　　2 改进PSO算法研究 　　2.1 基本PSO算法 　　随机初始一群粒子，每个粒子均不包括体积和质量信息，将每个粒子都看作为优化过程中的一个可行解，粒子的好坏通过一个事先设定好的适应度函数来进行确定。优化过程中，每个粒子都将在可行解空间中进行运动，由一个速度变量决定其方向和距离。通常情况下粒子将追随当前的最优粒子，并经过不断的迭代搜索最后得到全局最优解。在每一次迭代过程中，粒子都将会跟踪两个最优值：一个是粒子本身迄今为止找到的最优解，即局部最优解；另一个是整个粒子群体到目前为止找到的最优解，即全局最优解【3】。 　　假设一个由个粒子组成的粒子种群在维的 　　搜索空间中按照一定的速度进行飞行。粒子在时刻的状态属性设置如下： 　　位置： 　　其中为搜索空间的下限，为搜索空间的上限； 　　速度： 　　其中：为最小速度，为最大速度； 　　个体最优值位置： 　　全局最优值位置： 　　其中：，。 　　那么粒子在t+1时刻的位置可以通过下式来得到： 　　（1） 　　式中，、都为均匀分布在（0，1）区间的随机数；、是学习因子，一般取2。 　　基本的PSO算法尽管比较简单，实现也相对容易，并且不需要调整太多的参数，早期收敛速度快；但同时也存在其局限性，由于粒子在移动时没有选择性，即使下一个粒子位置的评价函数值较差，粒子还是利用逐个位置来代替当前位置，这样就使得粒子很容易跳出最优解附近的某一邻域，因此在一定程度上表现出较差的局部搜索能力，比较容易陷入局部最小值，降低了精度，也易发散【4】。鉴于基本粒子群算法还存在一些不足之处，本文提出了一种新的改进的粒子群算法，下面将对其做具体介绍。 　　2.2 粒子群算法的改进算法