种群多样性的衡量标准.docVIP

关于测度粒子群算法中种群多样性的方法 毕业论文英文文献翻译一一2011190001翟亚君 抽象一一是探究粒子群算法中种群多样性的有效方法之一，探究尤 指在初始条件下搜索，但被要求在求解过程中逐步求岀最优解。在粒 子群算法中，种群多样性是可以被准确定义的，简而言之，就是粒子 群算法中种群粒子的离散程度。这些离散程度可以被定义为离某些中 心点的远近程度。也可以被定义为基于粒子位置或基于粒子的速率。 本文大量讨论了为了量化种群的最优解的不同种群多样性定义的 有效性大小。此项工作的意义在于为量化粒子群算法的求最优解的速 率寻求合适的方法而打下基础。换言之，即种群多样性的改变速率。 1?论文简介： 粒子群算法的种群多样性对算法性能有着重要影响，它在衡量种群 求最优解中有着些许的暗示性的意义。一个丰富的多样性应该是能直 接代表出搜索空间中的一大片区域已经是被搜索过的。类似的，一个 缺乏多样的种群，代表着种群颗粒只是搜索空间的一小部分。 当用粒子群算法的种群多样性来指导搜索过程时，量化粒子群算法的 搜索行为的具体方法，就变得越发重要了。例如：在第二节中的引力 互斥算法。为了证明此类算法搜索行为的正确性，多样性测度可以准 确测量出种群颗粒在时间相关性条件下的离散程度。 一些多样性的测度实例可以在文中找到，在文章第二到第七节中， 均有不同的多样性定义。 简言之，衡量种群多样性有很多方法，以及其他方式的变体，不是 以上所有的方法都可以精确的指导搜索行为。本文展示了粒子群算法 执行过程的量化行为的分析结果。 第二部分提供了粒子群算法的背景信息，第三部分提供了最受广 泛应用的衡量种群多样性的几种定义。第四部分是一个粒子群算法的 执行实例，并且详细记录了该例子中具体衡量方法和细节。最后，在 第五部分，是粒了群算法的前沿发展成果以及其未来可能的发展方 向，附带了基于这些可能方向的结论。 2.简介粒子群算法(粒子群)： 在第八节至第九节中介绍的粒子群算法中，均存在这样的一个粒 子群一一粒子群中的每一个粒子的位置都是一个可能解。 让x_i⑴表示粒了 i在搜索解空间中，笫t次的粒子位置以及速率 v_i (t)之后会发生的改变，那么当前位置就按照如下的方程式来表 示： x_i(t+l)=x_i(t)+v_i(t+l); 由上可知，粒子的速率是算法过程执行的驱动力，它代表了被各 个粒子所学习(了解)到的周边信息，而每一个粒子的信息都是基于 其粒子本身以及与其周边粒子的信息互换得来的。 下面介绍市最传统的两种方法构造的粒子群算法(粒子群)：1?基 于星型拓扑网络的Gbest粒子群算法；2?基于环形拓扑网络的Lbest 粒子群算法。【分別为例10、例11】。Gbest粒子群算法在本文中作为 主要实例使用，本文关于粒了群算法的讨论焦点即是Gbest粒了群算 法。 对于一个给出的粒子i,它的速率按照如下公式进行计算： v_i(t+l)二 w*v_i(t)+cl*rl(t)*[y_i(t)?x_i(t)]+c2*r2(t)*[y_i(t)?x_i(t)] 上式中，v_i(t)是粒子i在第t步下的速率，x_i(t)是粒子i在第t步下 的位置。cl和c2是加速过程中的两个常数量。主要用來调整函数中 其他部分的大小(起到基函数的基作用)。rl (t)和r2 (t)等分别是 从(0, 1)区间中的独立采样结果，是该粒子群算法(Gbest算法) 添加的一个随机变量。W是一个常亮权值，是用来控制上一步的速 率对此步粒子速率的影响的。 y_i (t)是对粒子i的最佳个体位置，也是直到第t步为止，通过 函数遍历出的最佳位置(进行迭代计算)。y(t)代表了在第t步之下的 全局最优位置。它代表了当前所有种群中的粒子所求的的最优位置 (意即当前的最优解)。 关于Gbest粒子群算法的步骤梗概如下： :创建并初始化一个大小为n_x的种群S； :对上一步产生的种群中的每一个粒子(i=l,2,3……S_nx),设定 个体和全局最优值，计算各个粒子的速率和位置； 不停的重复第二部，指导达到该算法的终止条件(迭代终止条 件)。 下面介绍Gbest算法的一些变体算法(延伸算法，拓展算法)： A：如第一部分所述，对于种群多样性来说，有着多种多样的刻画方 法及其变体。许多变体都是又算法中“间隔”的度量标准的差异而形 成的。又或是常参量的不同造成的。种群中心的选择亦能造成多样性测量方法的不同。【其结果有可能是Gbest抑或其他】。 由于存在空间约束，考虑每一种种群多样性的刻画方式的变体是 不切实际的。最终，只有最一般以及适用性最强的才能被广泛利用。 同样的，一个空间种群中心的选取，也是影响粒子群算法多样性的重 要因素。同理，一个空间种群中心是作为Gbest种群中心的对立面的。 原因在于，无论空间种群中心怎样利用