粒子群优化算法的改进.ppt

第1页，共13页，星期日，2025年，2月5日常见粒子群优化算法的改进1。模糊惯性权重(fuzzyinertiaweight)法Shi等提出用模糊控制器来动态自适应地改变惯性权重的技术。控制器的输入是当前惯性权重w和当前最好性能评价值(CBPE),CBPE衡量PSO目前找到的最好候选解的性能;输出是w的改变量。由于不同的问题有不同范围的性能评价值,因此需要对CBPE进行如下的规范化NCBPE=（CBPE–CBPEmin）/（CBPEmax–CBPEmin）NCBPE是规范化后的评价值,CBPEmin和CBPEmax依问题而定,且需事先得知或者可估计。模糊w法与线性下降w方法的比较结果显示,后者不知道应该降低w的合适时机,而自适应模糊控制器能预测使用什么样的w更合适,可以动态地平衡全局和局部搜索能力。但是由于需知道CBPEmin和CBPEmax等,使得模糊权重法的实现较为困难,因而无法广泛使用。第2页，共13页，星期日，2025年，2月5日常见粒子群优化算法的改进2。压缩因子(constrictionfactor)法Clerc得出结论:压缩因子有助于确保PSO算法收敛。这种方法的速度更新方程为其中,为压缩因子，,且φ4。约束因子法控制系统行为最终收敛,且可以有效搜索不同的区域,该法能得到高质量的解。第3页，共13页，星期日，2025年，2月5日常见粒子群优化算法的改进3。基于遗传思想改进的PSO算法——选择(selection)法主要应用PSO的基本机制以及演化计算所采用的自然选择机制。由于PSO搜索过程依赖pbest和gbest,所以搜索区域有可能被他们限制住了。选择PSO算法.在一般粒子群算法中,每个粒子的最优位置的确定相当于隐含的选择机制.为此,Angeline将选择算子引入进了PSO算法中,选择每次迭代后较好的粒子复制到下一代,以保证每次迭代的粒子群都具有较好的性能,实验表明这种算法对某些测试函数具有优越性.自然选择机制的引入将会逐渐减弱其影响。测试结果显示,虽然在大多数测试函数中选择法取得了比基本PSO更好的效果,却在Griewank函数上得到了较差的结果。因此该法提高了PSO的局部搜索能力,但同时削弱了全局搜索能力。第4页，共13页，星期日，2025年，2月5日常见粒子群优化算法的改进4。线性减少权系数法ShiY提出了带有惯性权重的改进PSO算法,进化方程为:式中w0,称为惯性因子.它随着迭代次数的增加而线性递减,使算法在初期具有较强的全局寻优能力,而晚期具有较强的局部收敛能力,一定程度上提高了算法的性能.如w(t)=(w1-w2)×（itermax–iter）/itermax+w2式中:w1和w2是惯性权重的初始值和最终值,itermax和iter分别为最大迭代次数和当前迭代次数.第5页，共13页，星期日，2025年，2月5日常见粒子群优化算法的改进通过经验发现惯性权重为0.7298、加速系数为1.49618时，总能导致收敛的轨迹。朱小六等人提出的动态自适应惯性权重改变方法：先引入两个变量粒子进化度粒子聚合度然后，定义权重变换公式：w=w0-0.5*e+0.1*a其中，w0为w的初始值，一般取0.9；由e、a的定义可知0e≤1、0a≤1，所以w0-0.5ww0+0.1。试验证明该方法提高了粒子群收敛的精度，加强了全局搜索的能力。第6页，共13页，星期日，2025年，2月5日常见粒子群优化算法的改进速度上限选择粒子的最大速度Vmax控制粒子绝对速度上限，以免粒子的位置坐标越出搜索空间。标准PSO算法中，Vmax取固定值，粒子搜索的区域大小在整个过程中不变，这不符合普遍的搜索规则———在大范围搜索之后，应有细致的局部区域搜索过程。因此，较好的做法应该是，在PSO算法的开始Vmax取较大值，以利于算法的大范围搜索；在算法的后期Vmax取较小值，以利于算法的局部搜索。例如，给Vmax引入一个权重λ=（runmax-run）/runmax，λ从1到0线性递减。应该说明，通常可以设置Vmax为整个搜索空间大小，例如位置矢量分量-5≤xi≤5，则可取Vmax=10。有些研究者认为，已经在速度更新公式中使用了收缩因子或惯性权重，最大速度的限制是多余的，至少没有它也能保证算法收敛。但是，在许多情况下，Vma