一种多阶段多子群粒子群算法的改进.docxVIP

一种多阶段多子群粒子群算法的改进 1 pso相关研究 干预粒子群优化算法（pso）是一种先进的算法。这是由美国的心理学家詹姆斯金乃（jameskney）和电气工程设计师斯科特韦勒（scottweber）提出的。这源于鸟群捕获行为。PSO同遗传算法类似,是一种基于迭代的优化工具。系统初始化为一组随机解,通过迭代搜寻最优值。目前已广泛应用于函数优化、神经网络训练、数据挖掘、模糊系统控制以及其他应用领域。在生产和生活实践中通过建模等数学手段分析,可将大量的实际问题最终归结到函数优化问题,但通常这些函数表现出高维、大规模、非线性、不可微等特性,是典型的复杂函数,求解实际问题的过程往往可转化为求取这些复杂函数的优化解,但由于这些函数通常存在大量的局部最优点,导致了传统的优化算法虽具有收敛快、精度好等优势,却容易陷入局部最优点,无法得到最优化结果。 2 标准子群算法的标准版本 首先粒子群算法初始化为一群随机粒子(随机解),然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。一个是粒子本身所找到的最优解叫做个体极值pbest,另一个极值是整个种群目前找到的最优解,这个极值是全局极值gbest。在找到这两个最优值时,起初的粒子群算法是不带惯性权重的,人们将其称为PSO算法的初始版本。目前,关于PSO算法的研究都是在Yuhui Shi提出的带惯性权重的粒子群算法的标准版本基