modified particle swarm optimizer改进粒子群优化算法.pdfVIP

Authorizedlicenseduselimitedto:TIANJINUNIVERSITY.DownloadedonSeptember1,2009at10:21fromEEEXplore.Restrictionsapply.

Authorizedlicenseduselimitedto:TIANJINUNIVERSITY.DownloadedonSeptember1,2009at10:21fromEEEXplore.Restrictionsapply.

Authorizedlicenseduselimitedto:TIANJINUNIVERSITY.DownloadedonSeptember1,2009at10:21fromEEEXplore.Restrictionsapply.

Authorizedlicenseduselimitedto:TIANJINUNIVERSITY.DownloadedonSeptember1,2009at10:21fromEEEXplore.Restrictionsapply.

改进的粒子群优化器

YuhuiShi和RussellEberhart

印第安纳大学电气工程系普渡大学印第安纳波利斯分校

hdianqolis,IN46202-5160Shi.eberhart@,tech.iuEnti.edu本文在原始粒子群优化器中引入了一个新参数，称为惯性权重。已经进行了模拟以说明此新参数

对粒子群优化器的显着和有效影响。1.引言进化计算技术（进化规划[4]、遗传算法[5]、进化策略[9]和遗传规划[SI]）受到自然进化的启发。编码问题解决方案的

个体种群根据适者生存的规则通过遗传操作进行操纵，例如突变、交叉和繁殖。最佳解决方案是通过世代演化而来的。这些技术已经在许多领域得到成功应用，并且预计

会出现许多新的应用。与进化计算技术相反，Eberhart和Kennedy通过模拟社会行为开发了一种不同的算法[2,3,6,7]。与其他算法一样，存在一个个体群体。该算法

称为粒子群优化(PSO)，因为它类似于一群飞鸟。在粒子群优化器中，这些个体不是使用遗传算子，而是通过代际合作和竞争来进化。每个粒子根据自己的飞行经验和同

伴的飞行经验调整飞行。每个个体都被命名为一个文章，实际上，它代表了问题的潜在解决方案。每个粒子被视为D维空间中的一个点。第i个粒子是表示为

X~(x,~,x~,.__,x~)。

任何粒子的最佳先前位置（给出最佳适应度值的位置）都被记录下来并表示为PF(pll,po,.

pa)。群体中所有粒子中最佳粒子的指数用符号g表示。粒子i的位置变化率（速度）表示为sVf(vil,viz,.,

VD)。粒子根据以下方程进行操纵：

其中c1和c2是两个正常数，rand()和Rand()是mge

0,1]中的两个随机函数。方程的第二部分（la）是~gnition部分，它代表粒子本身的私人思维。第三部分是社交部分t，代表粒子之间的协作[7]。

方程（1a）用于根据粒子先前的速度以及其当前位置与自身最佳经验（位置）和群体最佳经验的距离来计算粒子的新速度。然后，粒子根据方程（lb）飞向新位置。

每个粒子的性能根据预定义的适应度基金来衡量，该基金与要解决的问题有关。

粒子群优化器在解决非线性，不可预测性方面具有鲁棒性和快速性。

多模态问题。但它仍然很不完善。需要做大量的工作和研究。本文在方程中引入了一个新的参数，可以提高粒子群优化器的性能。2.改进的粒子群优化器参见方程（l

a）。其右边由三部分组成：第一部分是Fcle的先前速度：第二和第三部分是导致粒子速度变化的因素。

授权许可使用仅限于：天津大学。于2009年9月1日10:21从IEEEXplore下载。有限制。

如果没有这两部分，粒子将一直以当前速度沿同一方向运动，直到它们撞到边界。除非它们的运动轨迹上有可接受的解，否则PSO不会找到可接受的解。但这种情

况很少见。另一方面，请参考没有第一部分的方程(la)。那么，粒子的速度仅由它们当前的位置和它们在历史中的最佳位置决定