粒子群算法及其改进技术研究.pdfVIP

第31卷 湖北师范学院学报(自然科学版) VoL31 第2期 JournalofHubeiNormalUniversity(NaturalScience) No．2，2011 粒子群算法及其改进技术研究 李 志，陈年生，郭小珊，柯宗武 (湖北师范学院计算机科学与技术学院，湖北 黄石 435002) 摘要、：粒子群算法是一种基于种群的随机优化技术，1995年 由Eberhart博士和Kennedy博士提 出，该算法 源于对鸟群觅食和鱼群学习行为的研究，在很多领域得到了广泛应用，本文介绍了粒子群算法的基本原 理，并针对粒子群算法在不同应用领域的需求，详细讨论 了粒子群算法的各种改进技术，最后，对粒子群算 法未来发展进行了展望。 ． 关键词：粒子群算法；惯性权重；学习因子 中臣分类号：1 93 文献标识码：A 文章编号：1009．2714(2011)02．0104．05 粒子群优化算法 (ParticleSwarmOptimization，PSO)¨是一种基于种群的随机优化技术，1995年 由Eberhart博士和Kennedy博士提出，该算法源于对鸟群觅食和鱼群学习行为的研究，它吸取了人工 生命、鸟群觅食、鱼群学习和群理论的思想，又具有进化算法的特点。PSO算法最早用来训练神经网 络，目前的应用包括训练博弈代理、电力系统、图像与数据聚类、优化设计、控制器设计、调度、模型选 择、生物信息学、数据挖掘、音乐生成、机器学习与训练、模式识别、信号控制、函数优化等诸多方 面 。针对不同应用领域以及不同领域需求的基本粒子群算法在收敛速度以及求解精度上存在不 足，因而出现了很多粒子群改进算法。 1 粒子群算法 1．1 基本粒子群算法的基本原理 粒子群优化算法要求每个粒子在进化过程中维护两个向量，一个是粒子i在t时刻的速度向量 ： = [：， ，… ]，另一个是粒子i在t时刻的位置向量X：=( ， ，… )，其中d为求解问题的维 数。粒子的速度决定了其运动的方向和速率，而位置则体现了粒子所代表的解在解空间中的位置。 算法同时还要求每个粒子各 自维护一个 自身的历史最优位置向量pBest，另外群体还维护一个全局最 优向量 gBest，代表所有粒子的pBest中最优的那个。 粒子群算法和遗传算法相比没有了选择算子、交叉算子和变异算子 】，粒子在 +1时刻速度和 位置更新公式为： 秽譬r：甜× 十c1×r1×(pBest~a一t)+c2×／2×(gBestsa一 ) (1) “ xk／== ++口讨 (2) 在公式 (1)中，∞是惯性权重，c和C：是加速系数 (也称为学习因子)，r】和 r2是两个[0，1]区间 上的随机数 。粒子通过不断进化得到全局最优解 。有实验表明，较大的惯性权重有利于展开全局寻 优，较小惯性权重有利于局部寻优，而 c和 c通常取2． 收稿日期：201o一-11_13 基金项目：湖北省高等学校优秀中青年科技创新团队计划项 目(／200806)、湖北省教育厅中青年项 目(Q2o0822o3)等资助． 作者简介：李 志(1977一 )，男，湖北黄石人，硕士研究生． · lo4 · 1．2 粒子群算法的流程 基本 PSO算法流程如下所述 J： Step1：随机初始化种群中各粒子速度和位置，并且将个体的历史最优pBest设为当前位置，而群 体中最优的个体作为当前的gBest； Step2：在每一代的进化中，计算各个粒子的适应度函数值； Step3：如果该粒子当前的适应度函数值比其历史最优值要好，利用当前位置替换个体的历史最 优位置 ； Step4：如果该粒子的历史最优比全局最优要好，那么全局最优将会被该粒子的历史最优所代替； Step5：对每个粒子 i的第 d维的速度和位置分别按公式(1)和公式 (2)进行更新； Step6：如果还没有达到结束条件，转到Step2，否