基于迭代优化度与直线搜索的改进粒子群算法.docVIP

基于迭代优化度与直线搜索的改进粒子群算法 现有粒子群算法无论是在算法运行的前 期还是后期，现有的改进方法都是以适应度值来作为 评价粒子优劣的唯一标准，本文根据挖掘有潜力粒子 的思想，提出迭代优化度概念来刻画粒子的潜力，并 对于潜力较大的粒子采用直线搜索的策略来进行搜索， 这样就避免所有的粒子均参考适应度值优秀的粒子运 动，提高了算法效率，保持了潜力大的粒子的独立性。 将改进粒子群算法用2个经典的检验函数进行对比检 验，结果表明提出的改进粒子群算法能大幅度增强摆 脱局部最优解的能力，有效地改善寻优性能。 关键词：PS?算法；改进PSO算法 引言 粒子群算法是基于个体有序运动的群体智能算法 是由Eberhart和Kennedy[l][2]在1995年提出来的。 但是标准的PSO算法主要存在早熟和寻优精度低的问 题，因此为了实现加快收敛速度和避免陷入局部最优 解，改进的粒子群算法被提出。 现有的改进方式主要有改进算法参数、改进搜索 方式和改进搜索领域的拓扑结构[4]，然而到目前为止 同时兼顾收敛速度和跳出局部最优解的能力是很难的 比如，文献［3］把重心放在避免陷入局部最优解的问题 上，却带来了收敛速度的变缓。2002年Clerc［5］等引 入了收缩因子，提出了一种自适应PSO算法，到目前 为止参数的自适应策略都是以种群迭代次数为参考变 量的。2013年何茜［6］提出一种删除机制，对于长期不 更新的粒子，直接删除。 粒子群算法简介 2.1粒子群优化算法 粒子群优化(particle swarm optimizer,简称 PSO) 算法是模仿鸟类群体智能行为而提出的算法，其实施 过程：在算法开始时，对各粒子赋予初始值(初始速 度和初始位置)，初始种群在N维解空间中为均匀分 布。其中第i个粒子在研宄区域中所处的位置和速度 分别表示为 Xi= (xil，xi2…，xin)和 Vi= (vil, vi2…， vin),根据迭代原则找到最优解。在每次迭代时，粒 子通过跟踪两个极值来更新自身的速度和位置，一个 极值是粒子本身到目前为止所找到的最优解，这个极 值称为个体极值，设为Pbesti= (Pbestil，Pbesti2…， Pbestin);另一个极值是该粒子的领域到目前为止找到 的最优解，这个极值称为整个领域的最优极值，设为 Nbesti= (Nbestil, Nbesti2…,Nbestin)。第 i 个粒子 是根据以下公式(1)(2)(3)更新自身的速度和位置: Vi=o Vi+clXrandX (Nbesti-Xi) +c2X rand () X (Pbesti-Xi) Xi=Xi+Vi co= ( ? l-co2) lmax-llmax+ ?2 式中cl和c2是加速常量，rand是［0，1］之间的 随机数，wl、w2为惯性权重的初始值和终值，I为 当前迭代次数，Imax为最大迭代次数。 粒子群优化算法的改进 3.1迭代优化度与直线搜索 现有的改进方法均采用将适应度值好坏作为评价 粒子优劣的唯一标准，对于适应度值暂时不优秀的粒 子，强制性地让其以暂时优秀的粒子为中心运动，这 样不仅会让种群失去多样性，而且还会造成潜在的优 秀粒子被忽略。因此，在粒子群算法中，应该给予那 些进步程度大的潜在优秀粒子独立发展的空间，这样 就有更大的可能发现更优秀的粒子。 现有的改进方法无一例外都存在一个严重的问题， 那就是将适应度值好坏作为评价粒子优劣的唯一标准， 对于那些适应度值暂时不优秀的粒子，很粗暴地让它 们以暂时优秀的粒子为中心运动，这样不仅会让种群 失去多样性，而且还会失去很多寻找到更加优秀粒子 的机会。 基于以上的分析，本文提出迭代优化度的概念来 刻画粒子的进步程度，对于求最小值的优化问题，定 义如下： D_betteri，t=fiti，t-l-fiti，tfiti，t-lX 100% (4) 其中，i表示粒子的编号，t表示迭代种群迭代次数， fiti, t适应度值，D_betteri, t迭代优化度。 最后，考虑对于迭代优化度较大的粒子的独立搜 索，但是考虑到算法的复杂度，必须提出一种简单有 效的搜索方式。在此，本文提出了直线搜索的策略， 对于迭代优化度排名靠前的粒子进行沿着原来速度所 对应方向的直线搜索，在直线上有序取点进行搜索。 性能测试分析 为了测试算法的性能，选择2个标准的测试函数 用于优化实验，2个函数的函数表达式、搜索空间、 理论全局最小是入表1所示。 表1标准的测试函数 函数函数表达式搜索空间最优解 Rosenbrockf2 (x) =Z ni=1100 (xi+l-x2i) 2+ (1-xi) 2[-100，100]0 Griewankf4 (x) =14000Eni=lx2i-rini=lcos (xii) +l[-10