一种改进的混合粒子群优化算法.docxVIP

一种改进的混合粒子群优化算法 1 混合优化算法 为了研究鸟类和鱼类在饲料中的行为，艾德霍和金纳尔提出了一种基于随机群体的新智能优化方法（pso）。该算法将群体中粒子的个体性和社会性有机结合产生群体智能,指导优化搜索。PSO具有建模简单、实现容易、收敛速度快、待调整参数少等优点。差分进化算法(Differential Evolution,DE)是由Storn和Price在1995年提出的。DE算法和PSO算法一样,都是基于群体智能理论的优化算法,通过群体内个体间的合作与竞争产生的群体智能指导优化搜索。DE算法具有算法原理简单、容易实现、收敛速度快、鲁棒性好等优点。因此,这两种群智能优化算法都在优化领域得到广泛的应用。 PSO算法虽然在搜索能力方面功能较强,但作为一种新型的智能优化算法,PSO算法也有易于过早收敛陷入局部极值点,进化后期收敛慢,精度较差的缺点,为了克服PSO算法的缺点,目前出现了大量的改进PSO算法。结合DE算法的优点,将DE算法融合到粒子群优化算法中,把DE算法的主要操作引入到PSO算法中就是一个重要的改进方向。但以上改进还比较简单,仅是DE算法与PSO算法相对简单的结合,并没有通过粒子早熟的判断来引入差分进化操作从而增强粒子的多样性防止其早熟现象的出现。另外,在种群初始化中通过混沌序列的引入可以提高初始种群的质量。因此,也完全应该把基于混沌序列的混沌初始化操作引入到混合优化算法中。而目前已有的一些基于DE算法与PSO算法的混合优化算法还没有引入混沌初始化操作。 为此,本文针对高维复杂函数优化问题,将PSO算法和DE算法有机结合,并将基于Logistic映射的混沌序列引入,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO),通过基于Logistic映射的混沌序列对种群中粒子位置和速度的混沌初始化,提高了初始种群的质量和分布均匀性。通过粒子早熟判断机制,对陷入局部最优的早熟粒子进行差分变异操作、交叉操作和选择操作等差分进化操作,从而增强了种群中粒子的多样性,防止群体过早收敛和粒子早熟现象的出现,使粒子能够跳出局部最优点朝着最优的方向进化。仿真结果表明,该算法是一种高效的高维复杂函数优化算法。 2 标准粒子群算法和差分演变算法 为结合差分进化算法对标准粒子群算法进行有效的改进,下面首先简要介绍一下标准粒子群优化算法和差分进化算法的基本原理及其主要操作。 2.1 标准pso算法 作为群智能优化算法,PSO算法首先在可行解空间随机初始化N个粒子构成初始种群。种群中每个粒子都代表着优化问题可能的解,每个粒子都以其空间几何位置和速度向量表示,都对应着一个由被优化函数决定的适应值。在优化问题搜索求解中,每个粒子根据自己既定方向、所经历的最优方向以及整个群体的所公认的最优方向来决定其自身的飞行速度和方向,以此来进行搜索寻优。在每一次的寻优迭代中,每个粒子通过粒子本身找到的最优解即个体极值Pxbest和整个粒子种群找到的最优解即全局极值Gxbest来更新自身的速度和位置。PSO算法的数学描述如下: 设种群中粒子个数为N,搜索维数为D,第i个粒子的位置表示为:Xi=(xi1,xi2,…,xi D)。第i个粒子所经历的最优位置为:pbesti=(pbesti1,pbesti2,…,pbesti D),所经历的全局最优位置为:gbest,它为所有pbesti中的最优值。第i个粒子的速度向量为:Vi=(vi1,vi2,…,vi D)。每个粒子的速度和位置分别按式(1)和(2)更新。 其中:i=1,2,…,m。c1和c2为加速因子,通常都取2。w为惯性因子。r1和r2都为间的均匀随机数。为使粒子速度不致过大,可设定速度上限,即:当式(1)vi Dvmax时,令|viD|=vmax。 2.2 基于中间种群选择操作 DE算法基本思想在于运用当前种群个体的差分变异和交叉重组得到中间种群,然后基于贪婪选择策略对父代种群和中间种群中的个体进行选择操作得新一代种群。算法过程如下: 1 个体的染色体型 随机产生由N个位于搜索空间内的候选解个体组成的初始种群PX(0),其中:第i个个体Xi(0)=(xi,1(0),xi,2(0),…,xi,j(0))。xi,j(0)表示第0代的第i条“染色体”的第j个“基因”。并由式(3)随机产生。 2 de/curren-to-本-因子法上第i个变异中间个体 DE算法通过差分变异策略实现个体的变异,即通过随机选取种群中几个不同的个体,将其向量差分缩放后与待变异个体进行向量合成生成变异种群中间种群PV(t+1),其中第i个变异中间个体为Vi(t+1)=(vi,1(t+1),vi,2(t+1),…,vi,j(t+1))。 例如:本文采用如下DE/current-to-best/bin差分策略得到变异个体: