崔新于+田梓君

摘 要：針對粒子群優(yōu)化算法的早熟問題，在線性遞減權值的粒子群優(yōu)化算法的基礎上，提出了一種增強粒子多樣性的粒子群算法，有效減少了粒子的無效迭代。實驗結果表明，該算法具有較高的收斂精度，能有效避免早熟收斂問題。

關鍵詞：粒子群優(yōu)化算法；線性遞減權值；平均值；早熟收斂；全局優(yōu)化

粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）[1]自1995年提出以來，得到了廣泛關注和應用?；玖Ｗ尤核惴ㄈ菀紫萑刖植孔顑?yōu)[2]，尋優(yōu)性能差。相關學者已經提出了很多的改進方法，第一類改進是引入慣性權值w并使其線性遞減的PSO（線性遞減權值PSO）[3-4]；第二類改進是粒子群優(yōu)化算法與其他算法相結合。仍然無法解決早熟問題。

本文在線性權值遞減的基礎上提出了一種新的改進方法，使得粒子群優(yōu)化算法的尋優(yōu)性能得以提高。在線性遞減的基礎上，加入判斷早熟停滯的方法，一旦粒子群優(yōu)化算法陷入局部最優(yōu)，便將之前的尋優(yōu)結果相加求平均值作為當前的粒子，再繼續(xù)進行尋優(yōu)。試驗結果表明文章算法在很大程度上提高了粒子群優(yōu)化算法的尋優(yōu)性能。

1 相關問題描述

線性遞減權值的PSO算法公式如下：

其中；表示粒子i第k次迭代的速度矢量的第d維分量；表示粒子i第k次迭代的位置矢量的第d維分量；c1、c2是學習因子，通常c1=2，c2=2；r1、r2是分布于[0，1]范圍內的隨機數， wmax表示慣性權值的最大值，wmin表示慣性權值的最小值，kmax表示最大迭代次數。算法在運行過程中，粒子的個體最優(yōu)值和粒子群的全局最優(yōu)值都不斷更新，算法結束時，輸出全局最優(yōu)值gbest。

在本文算法中，如果當前粒子的位置存在與之前粒子相同的現(xiàn)象，則可以認為當前粒子的迭代為無效迭代，按照式（4）改變當前粒子的位置以增強粒子的多樣性，繼續(xù)尋優(yōu)。

（4）

2 仿真實驗

本文實驗采用4個適應度函數測試算法的尋優(yōu)性能，并同基本PSO[1]、線性遞減權值PSO[3-4]和自適應權值PSO[5]進行比較。測試函數的理論最優(yōu)值均為0。在進行線性遞減權值PSO和本文算法的仿真過程中wmax=0.9，wmin=0.4；在進行自適應權值PSO的仿真過程中wmax=0.9，wmin=0.4，τ∈40。本文選取4個適應度函數進行測試算法性能。仿真圖形對比如圖1—4所示。

由仿真圖形可知：本文算法具有更高的收斂精度。

3 結語

本文算法有效增加了粒子的有效迭代次數，具有更好的尋優(yōu)性能，不僅有較好的最優(yōu)極值，同時粒子迭代后期在一定程度上改善了粒子陷入最優(yōu)極值的問題，使得算法具有更高的精度。

[參考文獻]

[1]KENNEDY J，EBWEHART R. Particle swarm optimization[C].Honolulu：IEEE International Coference on Neural Networks，2002（8）：1942-1948.

[2]ANGELINE P J. Evolutionary optimization versus particle swarm optimization： philosophy and performance differences[C]. London：In Proceedings of the Seventh Annual Coference on Evolutionary Programming， 1998：601-610.

[3]SHI Y，EBERHART RC. Parameter selection in particle swarm optimization[C].Berlin： International Conference on Evolutionary Programming V II，1998（25）：591-600.

[4]SHI Y，EBERHART RC. Empirical study of particle swarm optimization[C]. Berlin：IEEE Congress on Evolution Computation，1999：1945-1950.

[5]安曉會，高岳林.混合變異算子的自適應粒子群優(yōu)化算法[J].計算機應用，2008（6）：28-30.