基于最速下降法的改进粒子群优化算法.docxVIP

基于最速下降法的改进粒子群优化算法 颗粒群优化算法（pso）。 同时,在实际生活和实践中,好多问题可以划归为相关函数的优化问题,但是常常是有约束限定条件的,一般都很难直接用标准粒子群优化算法来对这些优化问题进行求解. 通过对粒子群优化算法和差别进化算法进行比较,将两者相结合,提出了一种混合的优化算法来求解约束优化问题,通过引入不可行解,避免算法在边界区域发生震荡或者发散的现象,加强对边界区域的搜索 综述,目前我们采用最多的方法就是单目标优化问题、多目标优化问题、惩罚函数法、增广Lagrange乘子法等. 多目标优化问题普遍计算量比较大,一般会选择转化为单目标优化问题或者跟其他方法相结合的问题; 罚函数作为常用的一种处理约束的方法,有其优点,也有其缺点,我们很难确定合适的惩罚因子,并且参数的选择很强烈的影响算法的效果. 本文在增广Lagrange乘子法的基础上引入最速下降法的粒子群优化算法,既保留了增广Lagrange乘子法与粒子群优化算法的优点,又提高了算法的收敛效率,数值实验结果也表明了所得算法具有较高的收敛效率和优化性能. 1 根据lagoon积分法的增加和泛化优化算法，改进的颗粒群优化算法 1.1 增广lagrange乘子法 约束非线性规划问题的一般形式如下: 在求解过程中,对于此约束优化问题,我们将采用增广Lagrange乘子法. 增广Lagrange乘子法就是在罚函数的基础上引入Lagrange函数,它的核心思想就是在目标函数中加入惩罚项,其可以反映是否满足约束,从而就可以构成一个广义目标函数,于是就可以将约束优化问题( 1) 转变为如下界约束优化问题: 其中P( x,λ,σ) 是增广Lagrange罚函数. 增广Lagrange乘子法主要分两个部分呈现,里面的结构,我们主要进行数据的迭代,得到新的一组数据; 在外面我们通过修改相应参数向量、检查收敛准则何时满足以决定是否终止算法. 参数向量的主要作用就是使得我们算出来的迭代点越来越靠近原问题( 1) 的驻点,如果我们发现原问题有可行解,那就代表乘子法函数在应用于该问题时就具有有限收敛性. 乘子向量 λ 和 σ 初始化时,λ 其中 当 称为可行性度量. 参数修正之后进行下一次Lagrange乘子法迭代,每一次迭代所得的点将向子问题最优解靠近. 在给定误差条件下,我们需为算法设置终止条件,对于子问题( 2 ) 的解 1.2 最速下降法 对界约束极小化问题( 2) 的求解,可以按照无约束优化问题求解目标函数最值,通常可以采用梯度法、拟牛顿法、粒子群优化算法等,界约束可以在自变量取值时体现. 对于复杂的高维大规模问题,一般常用粒子群优化算法来求解( 粒子初始化时取值区间由界约束条件确定) ,但粒子群优化算法和其它群体迭代算法一样,具有收敛速度慢的缺陷,因此,本文将对基本粒子群优化算法进行改进. 基本粒子群优化算法将每个个体看成n维搜索区间中的一个没有质量和体积的粒子,算法对参数初始化时粒子在整个搜索区间上随机分布,随着算法迭代的进行,粒子群在搜索区间上不断移动. 从理论上讲,只要迭代次数足够多,粒子群必定会取遍整个搜索区间,算法就一定能够找到问题的全局最优解. 然而,增加算法的迭代次数必定会导致算法运行时间增加,降低算法的效率,而且在粒子群进行自身位置更新时,虽然参考当前个体历史最优位置和群体历史最优位置信息,但是由于有随机数的参与,粒子的移动方向仍然具有随机性,则更新后的新位置不一定比原来位置更优. 如果更新后的新位置比原位置差,这就意味着算法进行了一次无意义的迭代,降低了算法的效率. 如果在粒子群位置更新时,能够使粒子按照下降方向寻找下一个点,则不会存在无意义的迭代情况,算法效率会有较大提高.无约束优化问题的经典算法———最速下降法就是从给定初始点出发,利用该点处负梯度信息寻找下一个点,由于负梯度方向是粒子下降方向,所以粒子按负梯度方向寻找的下一个点一定比原来点更优,不会出现无意义的迭代情况. 所以最速下降法能够快速地找到问题的局部极小值,而不一定能找到全局最小值,尤其对于多峰函数,最速下降法很难找到问题的全局最优解. 结合基本粒子群优化算法较强的全局搜索能力和最速下降法计算量小且容易收敛的优点,本文将最速下降法引入到基本粒子群优化算法. 在基本粒子群优化算法中,每个粒子j的位置和速度更新如下: 其中,v 为搜索方向,其中g 对最优位置p 通常根据Amrijo准则来求解满足式( 13) 的 α.按照式( 12) 迭代求得的局部最优解将比基本粒子群优化算法得到的p 1.3 粒子初始编码 1) 初始化Lagrange乘子法参数 λ 2) 借助Lagrange函数将约束优化问题( 1) 转化为界约束优化问题( 2) ; 3) 初始化粒子群优化算法各参数,随机产生初始粒子及速