自適應的混合粒子群算法研究.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization，簡稱PSO)是一種基于種群的隨機優(yōu)化技術。它比較簡單，需要調整的參數(shù)不多，并且相對容易實現(xiàn)，計算效果也比較好。目前PSO算法已經(jīng)被應用到解決許多工程實際問題中。
　　 但是，基本粒子群算法存在一些缺點，比如，算法對操作人員的經(jīng)驗以及問題的背景先驗知識比較依賴；當PSO算法被用來對復雜問題優(yōu)化時會遇上過早收斂的問題等等。已有的研究中并不能很完美地在避免局部最優(yōu)

2、與加快收斂兩個方面同時做到最好，并不能根據(jù)粒子群的進化情況而隨時作出相應的改變。盡管現(xiàn)在已有對自適應的粒子群算法進行的研究，但是或者對領域知識太過依賴難以推廣，或者并未能充分利用反映粒子群進化情況的各類細節(jié)特征數(shù)據(jù)適當?shù)胤答伓{節(jié)相應參數(shù)。
　　 為解決這些問題，本文提出了一種“自適應的混合粒子群算法”。其目標是減小PSO算法對領域背景知識以及操作人員經(jīng)驗的依賴，同時，提高算法的尋找能力與效率，既避免早熟又能加快收斂速度。該算法

3、主要作了如下兩方面的改進：“自適應”和“混合”?！白赃m應”這方面的改進主要是借鑒了神經(jīng)網(wǎng)絡調整的思想，通過實時將粒子群體的進化情況向前反饋，以之來調整慣性權重與速度壓縮因子，調節(jié)粒子群體的進化步伐，從而既減小了算法對操作人員經(jīng)驗的依賴，又使得算法能夠因應粒子群的進化情況不斷自我調整，避免早熟并且在適當?shù)臅r候加快收斂。“混合”方面的改進主要是引入遺傳算法中進化論的思想，并且根據(jù)粒子群算法的特點，設計了獨特的“選擇、雜交、變異”算子，從而將

4、遺傳算法的優(yōu)勢加入到新算法中，以提高新算法的性能。
　　 在5個標準優(yōu)化函數(shù)上的測試結果表明，與幾個改進的PSO算法比較，總體上來看，本文提出的算法性能明顯優(yōu)于其它幾個PSO改進算法的性能。這反映了本文提出的“自適應的混合PSO算法”確實可在搜索過程中較好地平衡全局與局部搜索能力，驗證了“自適應”與“混合”的策略的正確性。
　　 總的來說，本文提出的改進策略大大提高了算法的性能，取得了良好的效果。而且，與經(jīng)典的改進算法相