粒子群优化算法改进与应用.docVIP

粒子群优化算法改进与应用 　　【摘要】粒子群优化算法是今年来快速发展的一种新的进化算法。本文以标准粒子群优化算法的缺陷为出发点，从不同的角度来展现粒子群算法的改进方向和研究进展。讨论其在不同领域内的应用。最后对粒子群优化算法的发展趋势进行了展望。 　　【关键词】粒子群优化算法；改进算法及应用；发展趋势 　　1.前言 　　粒子群优化（PSO）算法是由Kennedy和Eberhart在1995年共同提出的，是一种群智能优化算法。PSO算法容易实现，并能有效的解决复杂优化问题，所以发展速度很快。在标准PSO算法之外，还有很多改进算法和混合优化算法，在混合优化算法方面，Morten[1]等提出将繁殖思想引入的混合粒子群算法，Narsuki[2]等人引入了变异操作并使用高斯分布确定变异粒子的新位置，Marinakis[3]等人设计了一种粒子群算法、贪婪随机自适应搜索和扩展邻域搜索策略相结合的混合算法用来求解TSP问题。本文首先介绍标准的PSO算法及一些改进PSO算法，最后介绍改进PSO算法优化神经网络参数方面的应用。 　　2.标准PSO算法 　　在N维空间中，粒子i在N维空间的位置表示为，飞行速度表示为，每个粒子都有一个由目标函数决定的适应值，并且知道自己到目前为止发现的最好位置（pbest）和现在的位置Xi。此外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置（gbest）（gbest是gbest中的最好值）。粒子通过下面的公式来更新自己的速度和位置。 　　在式（1）（2）中，i=1，2，3，……M，M为粒子群的粒子最大数量。 Vi是粒子的速度；pbest和gbest如前定义；rand（）是介于（0、1）之间的随机数；Xi是粒子的当前位置。c1和c2是学习因子，通常取C1=C2=2。上述公式（1）（2）被视为原始PSO算法。 　　3.几种改进型PSO算法 　　标准PSO算法虽然收敛速度较快，但是存在着容易陷入局部最优解、进化后期收敛速度较慢、精度较差等缺陷。针对这些问题，许多专家学者对此进行了深入的研究并提出相应的改进算法。 　　3.1 基于粒子状态更新的改进PSO算法 　　美国杨百翰大学的Christopher K. Monson和Kevin D.Seppi[4]针对算法的收敛速度问题提出了一种新的对粒子状态的更新算法，即使用卡尔曼滤波来更新粒子的运动状态，使得改进后的算法的收敛速度有了较大的提高并且对获取最优解的概率没有坏的影响。 　　在此文中引入的卡尔曼滤波器功能仅限于正常的噪声分布、线性过度和传感功能，因此由几个常数矩阵和向量描述。给定的具体列向量Zi+1，卡尔曼滤波器用它来产生一个正态分布，而此多变量分布的参数 mi+1和Vi+1由下列公式所决定： 　　其中，F和VX用来描述系统的转换模型，H和VZ用来描述系统的传感器模型，这组公式需要一个确定的起始点，用带有参数M0和V0的正态分布表示。随后粒子的状态被一个分布表达： 　　上面的描述是如果怎么做卡尔曼滤波，从一个观察向量zi产生mi，并获得下一个确信的状态（8） 　　卡尔曼群（KSwarm）依靠卡尔曼预测定义了粒子运动，每一个粒子保持对自身的mi，Vi和Ki等参数的追踪。然后粒子根据卡尔曼滤波器和下列公式生成观察： 　　c为[0，2）的均匀分布中的某值，并且公式的结果为行向量，完整的观察向量是位置和速度的行向量的转置矩阵构成，这一结果通过公式（4），（5），（6）来计算mi+1和Vi+1。 　　取得滤波值后，使用公式（8）来获取预测值，然后由参数和Vi+1来构造正态分布，得到（11） 　　通过对Sphere，DejongF4，Rosebrock，Griewank和Rastrigin的优化实验表明引入卡尔曼滤波来更新粒子状态，能够在不影响找到最优解的概率的情况下大幅度提升收敛速度。 　　3.2 基于时变加速系数的改进PSO算法（PSO-TVAC） 　　Asanga Ratnaweera，Saman K. Halgamuge和 Harry C. Watson，在Shi和Eberhart＼的基于时变权重的改进PSO算法（PSO-TVIW）的基础上针对参数C1和C2进行优化，得到基于时变加速系数的改进PSO算法（PSO-TVAC），改进后的算法可以避免过早的收敛于局部最优解并且能够在算法后期改进算法的收敛性。 　　Shi和Eberhart给出的PSO-TVIW的权重因子公式： 　　其中和为起始和结束权重，iter表示当前迭代次数，Maxiter表示最大允许迭代次数。 　　在根据公式（12）的基础上，修改后的参数c1和c2表示为： 　　和c2i都是常数，iter表示当前迭代次数，Maxiter表示最大允许迭代次数，通过Sph