粒子群算法中惯性权重探究和实验研究.docxVIP

粒子群算法中惯性权重探究和实验研究 摘要：惯性权重是粒子群算法的一项重要参数， 其值变化形式直接影响粒子群算法的性能。在介绍粒子群基 本算法的基础上，分析已有固定惯性权重、时变惯性权重和 动态自适应惯性权重粒子群算法的基本原理。通过4个典型 测试函数的仿真实验，证明不同算法的收敛速度和全局寻优 能力。 关键词关键词：粒子群算法；惯性权重；优化算法 中图分类号：TP312文献标识码：A文章编号文章编号:（2013） 0010005704 作者简介：徐宏英（1980-）,女，重庆电子工程职业学 院计算机学院讲师，研究方向为计算智能、嵌入式技术。 式（1）为粒子速度迭代公式，由3部分组成，第1部 分为粒子的先前速度，第2部分为认知（cognition） 部分，表示粒子本身的思考，第3部分为社会（social） 部分，表示粒子之间的信息共享与相互合作。其中cl和c2 是加速常数，分别调节粒子飞向自身最好位置方向和全局最 好位置方向的步长，通常取值2。rl和r2是均匀分布于［0, 1］之间的随机数。式（2）为粒子的位置迭代公式，粒子当 前位置与前一次位置和当前粒子速度相关。式（3）为粒子 最大速度和最小速度限制，防止粒子远离搜索空间。 1.2算法流程 标准PSO算法流程如下：Stepl：设置种群规模m,搜 索空间的维数D,随机产生m个粒子的初始位置和速度，计 算个体极值pi和群体全局极值pg； Step2：根据方程(1) 和(2),更新每个粒子的速度和位置，并根据方程(3)将 粒子的速度限制在一定的范围内；Step3：计算每个粒子的 适应度值；Step4：将当前计算的粒子适应度值与粒子个体 极值pi比较，如优于粒子个体极值，则设置当前粒子的适 应值为粒子个体极值pi,用当前位置更新个体历史最好位 置；Step5：将当前计算的粒子适应度值与群体全局极值pg 比较，如优于全体全局极值，则设置当前粒子的适应值为群 体全局极值pg; Step6：如果达到最大迭代次数或者最小准 则，终止程序；否则，返回步骤2。 1.3测试函数 本文实验中采用的4个非线性标准测试函数如下： fl (x)： Sphere 函数。 fl (x) =Xni=lx2i-lOOWxiWlOO (4) Sphere函数为非线性的对称单峰函数，函数比较简单， 主要用于测试算法的寻优精度，其全局最小值f (x) =0； x (i) =0, i=l, 2…，no f2 (x)： Rosenbrock 函数。 f2 (x) =Zn-li=l (100 (x2i-xi+l) 2+ (xiT) 2) -2. 048xi2. 048 (5) Rosenbrock函数为非凸、病态单峰函数，用来评价优化 函数的执行能力，其全局最小值f (x) =0； x (i) =1, i=l, 2,…，no f3 (x)： Rastrigin 函数。 f3 ( x ) =10 ? n+Zni=l ( x2i~10cos ( 2 n xi )) -5. 12WxiW5? 12 (6) Rastrigin函数复杂多峰函数，容易陷入局部最优。其 全局最小值 f (x) =0； x (i) =0, i二 1, 2…，no f4 (x)： Griewank 函数。 f4 ( x ) =14000Zni=lx2i-rini=lcos ( xii ) +1-600WxiW600 (7) Griewank函数为不可分离的、可变维数的多峰函数。随 着维数增加，寻找全局最优变得相对容易，其全局最小值f (x) =0； x (i) =0, i=l, 2…，no 2惯性权重调整方法及实验分析 2. 1固定惯性权重 文献［2］引入惯性权重概念，并对Schaffer s f6函数 进行测试。结果表明，当惯性权重取值区间在［0.9, 1.2］之 间，粒子群算法在合理的迭代次数里，寻找函数全局最优值 能力较好，特别是当w=0.9时，粒子群算法寻找最优值所需 的平均迭代次数最小。文献［3］提出了 PS0压缩因子模型， 其速度更新公式为： vid (t+1) =K{vid (t) +clrl (pid (t) -xid (t)) +c2r2 (pgd (t) -xid (t)) } (8) 其中：K=22-C-C2-4C, =cl+c2Clerc 从数学上证明 了 采用该迭代公式可以获得比基本PSO算法更好的收敛性。 Eberhart在文献［4］里对惯性权重的PSO算法和收缩因子的 PSO算法进行了实验对比，当压缩因子PSO算法中K=0. 729, 4)=4. 1, Vmax=Xmax时，算法收敛效果要好于线性递减的惯 性权重的PSO算法，在形式上等效于基本PSO算法中 w=0.729, cl=c2=l.494 45o