基于聚类的多子群粒子群优化算法.docxVIP

基于聚类的多子群粒子群优化算法 受人工生活研究结果的启发，kneya和berry在1995年提出了随机排列优化算法。由于粒子群优化算法简单、容易实现,因此粒子群优化算法一提出,立刻引起了演化计算等领域的学者们的广泛关注,在短短几年时间里出现大量的研究成果,并已广泛应用于函数优化、神经网络训练、模式分类、模糊系统控制以及其他的应用领域。本文在基本粒子群优化算法基础上,提出了基于聚类的粒子群优化算法。 1 基于约束的d维的建立 粒子群优化算法最先由Eberhart博士和Kennedy博士在文献中提出,它是一种基于群体的具有全局寻优能力的优化工具。它通过迭代搜寻最优值,系统初始化为一组随机解,而粒子(潜在的解)在解空间追随最优的粒子进行搜索。假设在一个D维的目标搜索空间中,有N个粒子组成一个群体,其中第i个粒子表示为一个D维的向量xi,i=1,2,…,N,即第i个粒子在D维的搜索空间中的位置是xi。每个粒子的位置就是一个潜在的解。将xi带入一个目标函数就可以计算出其适应值,根据适应值的大小衡量xi的优劣。第i个粒子的“飞行”速度也是一个D维的向量,记为vi,i=1,2,…,N。粒子群优化算法采用下列公式对粒子操作: v(t+1)i(t+1)i=v(t)i(t)i+c1r1(p(t)i(t)i-x(t)i)+c2r2(p(t)g-x(t)i) (1) x(t+1)i=x(t)i+v(t+1)i(2) 其中,p(t)i(i=1,2,…,N),为第i个粒子迄今为止搜索到的最优位置,用式(3)更新: p(t+1)i={p(t)i,f(x(t+1)i≥f(p(t)i)x(t+1)i,f(x(t+1)i)＜f(p(t)i)(3) p(t)g为整个粒子群迄今为止搜索到的最优位置,即 p(t)g∈{p(t)1,p(t)2,…,p(t)Ν|f(p(t)g)=min{f(p(t)1),f(p(t)2),…,f(p(t)N)}} (4) 其中,学习因子c1和c2是非负常数;r1和r2是介于之间的随机数。迭代中止条件根据具体问题一般选为最大迭代次数或(和)粒子群迄今为止搜索到的最优位置满足预定最小适应阈值。 2 求解系统方程稳定 设G={x1,x2,…,xN}表示N个粒子xi(i=1,2,…,N)组成的数据集,被分为K个聚类区Ci(i=1,2,…,K),记qi(i=1,2,…,K)为每个聚类区Ci(i=1,2,…,K)中的粒子迄今为止搜索到的最优位置。我们采用下式对粒子群中的粒子进行更新: v(t+1)i=v(t)i+c0r0(p(t)i-x(t)i)+Κ∑j=1cjrj(q(t)j-x(t)i)(5)x(t+1)i=x(t)i+v(t+1)i(6) 其中,学习因子cj(j=0,1,…,K)是非负常数;rj(j=0,1,…,K)是介于之间的随机数。由此得基于聚类的粒子群优化算法步骤如下: (1)随机产生N个粒子及其初始飞行速度的粒子群G={x1,x2,…,xN},确定学习因子cj(j=0,1,…,K); (2)根据聚类算法确定聚类区Ci(i=1,2,…,K); (3)求出每个粒子迄今为止搜索到的最优位置p(t)i(i=1,2,…,N)和每个聚类区Ci(i=1,2,…,K)中的粒子迄今为止搜索到的最优位置qi(i=1,2,…,K); (4)采用式(5)、式(6)对粒子群中的粒子进行操作; (5)若当前最优粒子不满足收敛条件,则对当前粒子群重新进行聚类确定聚类区Ci(i=1,2,…,K),转步骤(3);否则迭代过程结束,返回全局最优解。 与基本粒子群优化算法比较可知:基于聚类的粒子群优化算法首先根据聚类算法把粒子群分为若干“子群”,求出每一“子群”的最优位置qi(i=1,2,…,K);然后粒子群中的粒子根据其个体极值和每个“子群”中的最优位置qi(i=1,2,…,K)更新自己的速度和位置值。该算法通过对粒子群的聚类,使粒子之间的信息得以交换,并利用了更多粒子在迭代寻优过程中包含的信息,算法的全局收敛性更强。基本粒子群优化算法仅为基于聚类的粒子群优化算法中聚类区个数K为1时的一个特例。将式(5)和式(6)整理可得: v(t+1)i=v(t)i-(Κ∑j=0cjrj)x(t)i+c0r0p(t)i+Κ∑j=1cjrjq(t)j(7)x(t+1)i=v(t)i+(1-Κ∑j=0cjrj)x(t)i+c0r0p(t)i+Κ∑j=1cjrjq(t)j(8) 即 其中,φ=Κ∑j=0cjrj,记 则式(9)变为 式(10)即是一离散时间线性系统方程,该系统方程稳定的充要条件是矩阵A的特征值的模均小于1。矩阵A的特征值为 λ1,2=2-φ±√(φ-2)2-42(11) 当|φ-2|≥2时,其特征值为实值,小于1意味着: -2＜2-φ+√(φ-2)2-4