简化粒子群优化方法的改进研究-计算机工程与应用.PDFVIP

Computer Engineering and Applications 计算机工程与应用 2012 ，48 （24 ） 41 ⦾研究、探讨⦾ 简化粒子群优化方法的改进研究 周昊天，吴志勇，田雨波 ZHOU Haotian, WU Zhiyong, TIAN Yubo 江苏科技大学 电子信息学院，江苏 镇江 212003 School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang, Jiangsu 212003, China ZHOU Haotian, WU Zhiyong, TIAN Yubo. Research on improving Simple Particle Swarm Optimization. Computer Engineering and Applications, 2012, 48 （24 ）：41-44. Abstract ：In order to improve the convergence speed and search accuracy of Particle Swarm Optimization algo- rithm, enhance the algorithm ’s ability to jump out of the local extremum and find the global extremum, an improved Simple Particle Swarm Optimization algorithm is given. The algorithm takes the influence of particle inertia, the in- dividual experience and global experience into account and improves the position update formula. The improved al- gorithm can overcome shortcomings of slow convergence and easy to fall into local extremum. Standard functions test results show that the algorithm ’s convergence speed and search accuracy have been greatly improved. Key words ：Simple Particle Swarm Optimization（SPSO）; convergence; improve 摘 要：为了有效提高粒子群优化算法的收敛速度和搜索精度，增强算法跳出局部最优，寻得全局最优的能 力，提出了一种改进的简化粒子群优化算法。该算法考虑了粒子惯性、个体经验和全局经验对于位置更新影 响力的不同，改进了位置更新公式，克服了粒子群优化算法收敛速度慢和易陷入局部最优的缺点。标准函数 测试结果表明该改进算法的收敛速度和搜索精度有了很大的提高。 关键词：简化粒子群优化算法；收敛；改进 文章编号：1002-8331（2012 ）24-0041-04 文献标识码：A 中图分类号：TP301 粒子群算法（Particle Swarm Optimization ，PSO ） 化和演化计算领域的学者们的广泛关注，并在短短 是由社会心理学博士James Kennedy 和电子工程学 的几年时间里出现了大量的研究成果，形成了一个 [1] [2-5] 博士Russell Eberhart 于1995年提出的 ，是继遗传算 研究热点 。 法之后，产生的一种全新的智能优化方法。它是一 在实际应用的过程中，粒子群优化算法根据全 种演化计算技术，依靠个体之间的协作来寻取最优 体粒子和自身粒子的搜索经验向着最优解的方向发 解。群体中的粒子有记忆功能，每个粒子通过跟踪 展，在进化后期收敛速度变慢，同时算法的精度不 粒子本身找到的最优解Pbest 和群体找到的最优解