协同微粒群算法的研究综述.docVIP

协同微粒群算法的研究综述 　　摘要：微粒群算法（Particle Swarm Optimization，PSO）收敛速度慢，精度不高，收敛过程中降低了种群多样性，易陷入局部最优。为此，提出协同微粒群算法。协同微粒群算法采用维数划分重新组合的协同模型，收敛速度快，搜索范围大，收敛精度较高。“孤岛模型”和“邻域模型”是协同微粒群算法采用较多的两种模型。“孤岛模型”的协同微粒群算法要等到所有子种群全部达到更新周期后才进行比较，将此时的全局最优值作为共享信息。“邻域模型”的协同微粒群算法每隔R代，相邻两个子种群之间就进行信息交换。基于“邻域模型”的协同微粒群算法收敛效率更快。为了在全局开发和局部搜索之间实现较好平衡，在协同微粒群算法基础上引入综合学习策略，以有效利用共享信息实现更好的搜索结果。 　　关键词：协同进化；微粒群算法；共享周期；综合学习策略 　　DOIDOI：10.11907/rjdk.162625 　　中图分类号：TP301 　　文献标识码：A文章编号2017）010021304 　　0引言 　　微粒群算法（Particle Swarm Optimization，PSO）[1]将每个个体看成D维搜索空间中的一个没有质量和体积的微粒，并以一定速度飞行。该飞行速度由个体的飞行经验和群体的飞行经验进行动态调整[2]。PSO将微粒的位置与速度模型化，给出一组显式的进化方程[3]，见式（1）和式（2）。 　　Vi（t+1）=ωVi（t）+c1r1（Pi（t）-Xi（t））+c2r2（Pg（t）-Xi（t））（1） 　　Xi（t+1）=Vi（t+1）+Xi（t）（2） 　　?f同微粒群算法[4]受协同进化启发而产生。所谓协同进化是指将解空间中的群体划分为若干子群体，每个子群体代表求解问题的一个子目标，所有子群体在独立进化的同时，基于信息迁移与知识共享，共同进化[5]。本文中的协同类似一种种间协同，各子群之间通过信息共享和信息交互来提高种群适应值，进而达到一种共同进化的结果[6]。 　　1协同微粒群算法 　　1.1协同微粒群算法收敛性分析 　　作为一种随机优化算法，标准微粒群算法已被证明不具有全局收敛性。但协同微粒群算法通过引入趋同、协同以及逃逸等搜索行为，证明其能依概率1收敛[7]。 　　在协同微粒群算法中，子群体和群体的生存状态分为成长、伪成熟和成熟3种情形，对应3种不同的生存状态[4]，算法的具体搜索分为趋同搜索，记为Oper1（）；协同搜索，记为Oper2（）；逃逸，记为Oper3（）。 　　在协同微粒群算法中，整个群体被划分为若干个子群体并进行搜索。对于任意子群体，有以下定理成立： 　　定理1处于成长状态的任意子群体通过趋同搜索Oper1（），最终收敛于解空间中的某一点。 　　定理2多个子群体的并行趋同搜索不属于全局搜索算法。 　　定理3子群体的趋同搜索Oper2（）属于局部搜索算法。 　　定理4协同微粒群算法依概率1全局收敛。 　　1.2协同进化微粒群算法对比分析 　　多粒子群协同优化算法[8]中引入两层结构和扰动策略，实验证明该算法性能较传统的微粒群算法及改进的微粒群算法性能更好，摆脱了局部最优，加快了收敛速度。此算法中每个子群的粒子状态更新是独立的，不能很好地共享粒子间的搜索信息，一旦陷入局部最优就无法摆脱。 　　基于两层模型的多子种群和自适应多态杂交微粒群免疫算法（mulitisub population adaptive polymorphic crossbreeding particle swarm optimiza tion immune algorithm，NAPCPSOI）[9]，在进化过程中很好地保持了多样性，从而能更大概率找到全局最优值。但该算法寻优过程耗时较长，影响了收敛速度。 　　在基本微粒群算法中引入多种群和改进协同微粒群算法[1011]，证实了在防止陷入局部最优的同时具有更快的收敛速度。 　　基于综合学习策略的动态多子群微粒群算法（DMSPSO with cooperative learning strategy，DMSPSOCLS）[12]，引入综合学习策略，能在全局开发和局部搜索之间实现较好平衡。此算法使共享信息得到充分利用，有效提高了收敛速度和准确率。在解决复杂的多模函数时，能够避免陷入局部最优，更快地收敛到全局最优解。 　　2协同微粒群算法研究现状 　　将协同原理应用在微粒群算法，能克服微粒群算法收敛效率低、易于陷入局部最优的不足。 　　Ben Niu （2007年）[1314]提出了一种多种群协作微粒群算法（Multiswarm cooperation particle swarm optimization，简称