改进的粒子群引力搜索混合算法.docxVIP

改进的粒子群引力搜索混合算法 在实际工程领域，许多解决的最佳问题可以看作是对连续函数的优化，如最佳工程控制器参数（pid参数等）的优化，以及最优工程控制问题的数学建模和工程混合材料的最佳配置。大多数最佳解决方案可以描述如下。 式中:f(x)为目标函数;x=(x 由于问题(1)具有复杂性，传统的方法已经不能解决，所以越来越多的研究人员从自然界中生物的群体行为得到启发，将其模型转化为新型的智能算法，并提出许多启发式优化算法，如遗传算法(genetic algorithm,GA)，蚁群算法(ant colony optimization,ACO)，粒子群算法(particle sw arm optimization,PSO)等．这些算法都是针对一些特定问题提出的，目前尚没有任何一种算法能够成功地解决所有的优化问题．因此，继续探索新的启发式智能优化算法是非常有必要的． 万有引力搜索 当然，万有引力搜索算法也有一些缺陷，如GSA存在易陷入早熟和局部最优等问题．因此，本文提出一种新型的改进PSOGSA混合算法．为了验证优化效果，选取四个非线性基准测试函数，并和PSO算法、GSA算法、基本PSOGSA混合算法优化结果进行对比． 1 关于颗粒群的液体搜索混合算法 1.1 颗粒群算法 粒子群优化算法是由 每个粒子均有自己的速度向量和位置向量，但在找到最优解之前，粒子会不断更新速度和位置，其表达式为 式中:V 1.2 引力函数的求解 万有引力搜索算法是依据万有引力定律、牛顿第二定律及粒子之间受到作用力而相互吸引现象的基础上被提出来的．在万有引力搜索算法中，将优化问题的解看成是一组在空间运行的粒子 假设在一个独立的系统中有N个粒子，定义粒子i的位置为X 粒子i的速度、位置更新以及加速度表达式为 式中:rand 在GSA算法中，为了简化模型，假设引力质量与惯性质量相等，而粒子的惯性质量是依据其适应度的大小计算的，那么粒子的适应度越好，则该粒子的惯性质量越大，吸引力也越大，越接近最优值，但是其移动速度却越慢．根据适应度函数得出的粒子引力质量的更新算法表达式为 式中:fit 式中:r 2 基本psagsa混合算法 针对GSA优化算法早熟、易陷入局部最优及缺少有效的加速机制等问题，提出了基本PSOGSA混合算法．利用PSOGSA混合算法获取的最优解引导着惯性质量大的粒子朝全局最优移动，但并不是所有粒子都朝着最优解聚集，显然PSOGSA混合算法也加快了群体的整体运动，促使其寻优能力增强，同时也有效缓解了算法停滞的缺点，避免早熟现象．混合算法中将粒子群的速度更新机制引入到GSA算法的速度更新中，有效解决了GSA易陷入局部最优问题．此外，GSA算法在搜索的过程中，更新位置环节只有粒子的当前位置在起作用，而没有群体记忆功能，但是由于引入粒子群算法，可提高粒子间的群体信息共享，基本PSOGSA混合算法速度更新公式为 式中:r 粒子群算法(PSO)是一种新型、原理简单且操作易实现的优化问题解决方法，与万有引力搜索算法同为优化算法．根据无免费午餐定理 式中，h为迭代次数． 为了确保粒子在混合算法后期阶段搜索时具有自适应移动，引入动量因子p来更新粒子位置，即 式中:N为种群规模;up为搜索上限;low为搜索下限;a 为了更加清晰、直观地描述改进的粒子群万有引力搜索混合算法，现给出改进算法的步骤与流程如下: 1)随机初始化粒子的位置、速度、加速度和质量以及各粒子间所受到的作用力; 2)设置粒子搜索范围，并计算种群中粒子的适应度函数值; 3)利用式(12)计算引力常数，式(7)～(9)计算种群每个粒子的质量; 4)利用式(11)计算种群中两两粒子之间相互受到的万有引力; 5)利用式(6)计算每个粒子在每个维数上所受到合力产生的加速度，并将其更新; 6)更新种群中每个粒子的速度和位置; 7)判断算法迭代次数是否达到最大，或者连续若干次最优值是否一直保持不变，若满足，则停止搜索，否则转向步骤2). 3 模拟分析 3.1 非对称性函数 为了检验改进的PSOGSA混合算法的优化效果，选取了PSO、GSA和基本PSOGSA算法进行对比实验，并引入四个Benchmark函数进行测试．四个测试函数中，Sphere是一个非线性的、平滑的、对称的单模态函数，变量间可分离，常用来分析算法的执行性能;Rosenbrock是一个非对称的典型病态单模态函数，很难实现全局最优;Ackley和Griew ank均为典型的不同维度之间不可分离的、连续的复杂多模态函数，两者均具有广泛的搜索空间，以及大量的局部极小点和高大的障碍物．在这四个函数中，除了Rosenbrock函数在全局最优解[1,1，…，1]处有极小值，其余测试函数均在全局最优解[0,0，…，0]处有极小值，并且极小值均为0．具体函数如表1所示．