高斯协同粒子群优化算法的实现.doc

实验报告

题目：多尺度协同变异的粒子群优化算法的实现

学院：信息科学与技术学院

专业：计算机技术

年级：2016级研究生

课程：计算智能_作业4

姓名：

学号：

备注：

一、实验内容

1.问题描述

粒子群算法(ParticleSwarmOptimizer，PSO)是由Kennedy和Eberhart博士提出的一种基于群体智能的优化算法,其基本思想是受到他们早期对许多鸟类的群体行为进行建模与仿真研究的启发.粒子群算法的优势在于其简单容易实现,没有很多参数需要调整,是非线性连续优化问题、组合优化问题和混合整数非线性优化问题的有效优化工具.由于PSO算法概念简单、实现容易，在函数优化和神经网络权值训练等方面都有很好的表现.由于其又具有深刻的智能背景，既适合科学研究，又特别适于工程应用,因此在近年来得到了飞速的发展.其应用涉及系统控制、人工智能、模式识别、计算机、通信工程等各个领域.粒子群优化算法问世以来受到了广泛的重视,经过十几年的研究,其不论在应用方面还是在优化性能方面都得到了很大的发展.然而,研究人员仍然无法解决一直困扰该算法的两个难题:早熟和收敛速度慢.在避免早熟收敛的研究中,一些学者提出了控制种群多样性来提高性能的办法.其思想主要分为两个方面:（1）从PSO参数以及其拓扑结构研究的角度.（2）从与遗传算法相结合的角度.对于第一个角度,一些学者提出解决微粒间的冲突和聚集,分析微粒和种群最优位置的距离,种群随机多代初始化的思想.而对于第二个角度,主要是通过引入遗传算法中的变异操作实现的,其中文献通过对微粒引入一个小概率随机变异操作来增加种群多样性（dissipativePSO简称DPSO）,这样做虽然可以更好的搜索粒子群的解空间,但如变异率控制不当则极容易导致原始种群的混乱,致使在算法的后期达不到精确的局部搜索目的;在此基础上,进一步提高搜索性能,文献给出了一种令变异操作随时间变化的自适应层次PSO算法(self-organizinghierarchicalPSO，简称HPSO),为了使其能够适应变异操作,还确定了自适应参数的选择方式.但由于该算法没有考虑速度公式中惯性因素的影响,因此将发生变异的条件设置为微粒的速度为0,从而使得该算法仍然未能迅速有效的逃离局部极小值.文献为了提高种群多样性和搜索速度间的平衡,对阈值设定进行了改进并结合群体自动分家机制,提出一种自适应逃逸的微粒群算法(Self-AdaptiveEscapePSO,简称AEPSO).然而上述算法在实现变异的时候,均采用单一的均匀变异机制,其逃逸能力大大减弱,进而使改进的PSO算法在有限的迭代次数内无法实现最优解的探索,因此如何提高算法的逃逸能力,使其在快速定位到最优解区域同时提高最优解的精度值得我们进一步研究.

鉴于此,本文提出一种多尺度协同变异的微粒群算法(MAEPSO).该算法利用不同大小方差的高斯变异机制实现解空间的探索,这种多个或大或小的变异机制,能促使整个种群以尽量分散的变异尺度来对解空间进行更加详尽的探索.同时高斯变异的范围随着适应值的变小也逐渐降低,在算法后期有利于提高最优解的精度;在利用不同大小变异算子提高局部精确搜索能力的同时,该算法同样利用均匀算子维护种群多样性.利用试验对不同评测函数进行测试均验证新算法优良的优化性能.

2.解决思路

提出一种多尺度协同变异的微粒群优化算法,其中算法的逃逸能力取决于不同尺度方差的高斯变异算子,不同尺度的变异有助于算法在搜索空间中进行分散式的搜索,同时变异尺度随着适应度的提升而逐渐减少,这样可以在保证逃逸能力的同时,在算法后期提高了最优解的精度保证了算法的收敛性能.

3.实验平台

本实验采用的是windows10+VisualStudio2013运用的win32的运行平台。

二、算法分析

1.基本理论和方法

我们把一个优化问题看作是在空中觅食的鸟群,那么在空中飞行的一只觅食的“鸟”就是PSO算法在解空间中进行搜索的一个“粒子”(Particle),也是优化问题的一个解.“食物就是优化问题的最优解.粒子在搜索空间中以一定的速度飞行,这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整.所有的粒子都知道

自己到目前为止发现的最好位置T，这个可以看作是粒子自己的飞行经验.此外,每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置即gP(也称为gbest，gbest是在pbest中的最好值),这个可以看作是粒子的同伴的经验.在由这样一群随机初始化形成的粒子而组成的一个种群中,以迭代的方式进行的速度与位置的更新公式为:作为问题近似最优解。

其中,1r和2r为两个在[0,1]范围内服从均匀分布的随机变量,用来保持群体的多样性.1c和2c为学习因子,也