粒子群优化算法总结.docVIP

粒子群优化算法总结 　　摘 要：粒子群优化算法是一种新的群智能算法。它是受自然界中鸟群、鱼群等生物的群觅食行为的启发提出的。由于该算法结构简单、需要调节的参数少，容易实现，已被很多学者研究并应用到了大量实际问题中。该文详细介绍了粒子群算法的基本原理、主要改进方法和在实际问题中的应用。 　　关键词：粒子群优化 元启发式算法 参数 应用 　　中图分类号：TP18 文献标识码：A 文章编号：1674-098X（2015）09（b）-0216-02 　　粒子群优化算法[1-2]是1995年由美国的心理学家Kenndy和电气工程师Eberhart首次提出来的一种新型的并行元启发式算法。该算法是模拟自然界鸟群、鱼群等生物的群觅食行为中的相互合作机制从而找到问题的最优解。由于它结构构造简单、需要调节的参数较少、涉及的专业知识少、容易实现，因此已经受到了国内外大量研究人员的广泛关注，并将它应用到了许多实际问题中。其中包括多目标优化问题[3]、非线性整数和混合整数约束优化问题[4]、信号处理[5]、神经网络训练[6]等。 　　该文首先介绍了标准粒子群算法的基本工作原理和算法迭代步骤，然后分别介绍了现今对粒子群算法的不同改进方法和算法在现实生活中的实际应用。在文章的结论中给出了粒子群算法下一步的研究方向。 　　1 标准粒子群算法 　　与其他的基于群体智能的算法相似，粒子群优化算法也是通过群体中不同粒子之间的相互合作和相互竞争来实现在寻优空间中的搜索过程以找到所求问题的最优位置。粒子群算法首先随机的初始化一群均匀分布在给定的寻优空间中的粒子（种群规模一般为30），然后所有的粒子根据两个极值来更新自身的速度：一个是个体极值（）；另一个是群体极值（）。目前广泛使用的标准粒子群算法的数学描述为：设粒子群中粒子的总数为，粒子的维数为，算法的终止条件（即最大迭代次数）为，第个粒子在时刻的飞行速度和在搜索空间中的位置分别为，，粒子在时刻的个体极值和群体极值分别为 ， ， 。所有的粒子按照如下的更新方式在搜索空间中飞行以找到最优解。 　　（1） 　　（2） 　　其中，为惯性权重系数，决定了上次迭代速度保留的多少。它是粒子群算法的重要参数之一。在粒子群算法中，可以通过调节它的大小来平衡算法的全局搜索和局部搜索的能力。研究分析表明，在粒子群算法的算法初期，选择较大的惯性权重值可以使得算法有很强的全局搜索能力；而在粒子群算法的算法后期选择较小的惯性权重值可以使得粒子逐渐收敛到全局最优。因此，在很多改进的粒子群算法中，惯性权重采用了线性递减的方式进行更新。，为算法的学习因子，它们分别影响着粒子的“自我学习”能力和“社会学习”能力。一般认为，设置较大的，会使得所有粒子过多的在局部范围内徘徊，不利于算法的全局搜索；而设置较大的，则会使得粒子过早的陷入局部极值，降低解的精度。和是介于[0，1]之间的随机数。标准粒子群算法的流程可以描述如下。 　　（1）设置种群规模、变量范围、惯性权重、学习因子等参数，并随机的初始化一群均匀分布在给定的寻优空间中的粒子（包含速度和位置信息）。 　　（2）计算群体中各个粒子的适应度值（即函数值）。设置第个粒子的适应度值为它的当前个体极值，所有粒子中的最好粒子设置为群体的全体极值。 　　（3）根据公式（1）、（2）更新每个粒子的速度和位置。 　　（4）对所有粒子，将其当前的函数值与它以前找到过的最好位置进行比较，如果当前位置较好，则将个体最优位置设置为这个粒子的位置，然后再对群体的全局极值更新。 　　（5）判断给定的终止条件是否满足。若满足终止条件，停止搜索，输出需要的结果；否则，返回（3）继续搜索。 　　2 粒子群算法的改进 　　粒子群算法本身也存在如下缺点。 　　（1）寻找到的最优解可能是局部最优解而不是全局最优解。 　　（2）算法搜索初期收敛速度快而搜索后期收敛速度变慢。 　　（3）参数选择的随机性。 　　为此，研究者们针对这些缺点对粒子群算法做了不同方面的改进。 　　2.1 添加压缩因子 　　Clerc M等[7]将压缩因子引入粒子群算法中，改进了算法的速度更新方式，具体如下： 　　（3） 　　（4） 　　其中，。一般情况下，取4.1。压缩因子的引入可以控制粒子群算法的收敛，使得粒子有机会搜索空间中不同的区域，并获得高质量的粒子。实验结果表明，它大大提高了粒子群算法的收敛速度和收敛精度。 　　2.2 协同粒子群算法 　　Vanden B F等人[8]提出了一种协同粒子群算法。该方法的具体步骤为：假设粒子的维数为，将整个粒子分为个小部分，然后算法分别对粒子的每个小部分（1维）分别进行优化，评价适应度值后合并成一个完整的粒子。结果表明了算法在很多问题上有更快的收敛速度，取得了很好的结果。