粒子群算法惯性算子凹凸性剖析.docVIP

粒子群算法惯性算子凹凸性剖析 　　摘要：粒子群算法的惯性因子是算法中的一个重要的参数，目前的研究结果表明，惯性因子为减函数时算法的运行效果更为良好。文中提供了四种减函数作为惯性因子可以使用的算子，它们的凹凸性各有不同。对四个算例的数值仿真结果表明，表现最好的是惯性因子先上凸后下凸的PSO，惯性因子为下凸函数的PSO综合表现优于惯性因子为上凸函数的情况。 　　Abstract： Aimed to the efficiency changes of PSO caused by different inertia weight operators， some research and analysis had been done in this paper. The study showed that the inertia weight should decrease progressively if you want to expand the search region and assure the convergence of PSO. Four operators of inertia weight were proposed in this paper， their convexity were different with each other.The research about four examples showed that if the inertia weight operator was concave at first and then went to convex， the performance of corresponding PSO was best in all four circumstances， and the convex strategy performed better than concave strategy. 　　关键词：粒子群算法；惯性因子；凹凸性；收敛 　　Key words： Particle Swarm Optimization；inertia weight；convexity；convergence 　　中图分类号：TP18 文献标识码：A 文章编号：1006-4311（2015）20-0198-03 　　0 引言 　　粒子群算法也称为粒子群优化算法（Particle Swarm Optimization），缩写为PSO.1995年，由Eberhart博士和Kennedy博士提出。粒子群算法是一种基于仿生学的群体智能优化算法，该算法通过群体中个体之间协作和信息共享达到共同寻求最优解的目的，与其他智能算法相比，粒子群算法原理简单，实现容易。从算法问世至今，得到了各个领域学者的广泛关注。Van对PSO算法的稳定性和收敛性做了初步分析，指出基本PSO算法无法保证收敛到全局最优。针对粒子群算法难以跳出局部极值，收敛效率低等特点，学者们对其做了各种改进。 　　惯性因子是粒子群算法中的一个重要参数，它表示粒子对其原始速度的继承状况。目前对粒子群算法的改进工作很大一部分集中在对惯性因子的改进上，主流的改进方式是惯性因子随着迭代次数逐步递减，也有学者根据粒子实时的进化速度动态调整惯性权值[5]。文献[6]定义了粒子群优化的参数空间，把探索性能最优的粒子群算法转化为一个参数优化问题，这些参数中包含惯性因子。文献[7]提出了模糊规则惯性权值（Fuzzy inertia Weight，FIW）粒子群算法，但这些调整策略都使的算法计算复杂，虽对算法有一定改进，却总体上使得算法“性价比”降低。 　　Shi 和 Eberhart提出，较大的惯性权值有助于粒子跳出局部极小点，便于全局搜索；而较小的惯性权值有助于粒子对于当前的搜索区域进行精细搜索，便于算法收敛.因此在算法进行过程中，有必要通过一些方法和手段来调整惯性权值，使算法在全局搜索和精细搜索（以便于收敛）之间达到平衡[8]。基于这种考量，文献[8]给出了一种惯性因子线性递减的调整方案，较之惯性因子一直取固定值，这种调整方案被证明是更有效率的。文献[8]中的算法简单，但在处理一些复杂问题时，存在局限性。文献[9]提出了几种基于非线性递减策略惯性因子的粒子群优化算法，与文献[8]中的算法相比，基于正弦曲线和对数曲线的调整策略会优于后者，而基于正切曲线的调整策略甚至比后者的表现还要略差。文献[10]构造了开口向下的抛物线和开口向上的抛物线和指数曲线三种非线性的惯性权值调整策略，得出的结论是凹函数（下凸）递减策略优于线性递减策略，而凸函数（上凸）递减策略效果最差。 　　1 标准粒子群算法原理 　　鸟搜索食物的空间设为D维，鸟