引入禁忌搜索的雙種群粒子群算法及其應用研究.pdf

1、粒子群優(yōu)化算法(ParticleSwarmoptimization，PSO)源于鳥群和魚群群體運動行為的研究，由Kennedy博士和Eberhart博士于1995年提出。粒子群優(yōu)化算法是一種基于種群搜索策略的自適應隨機算法，是進化計算領域中的一個新的分支。它的主要特點是簡單、收斂速度較快、沒有很多參數需要調整，且不需要梯度信息。作為群智能的典型代表，PSO算法已被證明是一種有效的全局優(yōu)化方法。它可用于求解大部分的優(yōu)化問題，并在實際工程中

2、表現出巨大的潛力，現已廣泛應用于函數優(yōu)化、神經網絡、模糊系統(tǒng)控制、模式識別等多個領域。 本文對PSO算法的基本原理、PSO的兩種經典模型：慣性權重模型和收縮因子模型、算法應用等方面做了較為系統(tǒng)的論述，重點討論了PSO的收斂性和參數選擇。針對粒子群算法收斂速度慢、容易陷入局部最小點等缺點，以及慣性權值對粒子群不同時期搜索性能的影響，結合初始解空間的選擇對粒子群算法的影響，充分利用禁忌搜索算法短期和長期記憶能力，同時考慮到各個階段粒

3、子群對探索能力和搜索能力的需求不同，提出一種引入禁忌搜索的雙種群粒子群算法TSBBPSO。將粒子群分為兩個不同的子群同時進行，前期擁有較高慣性權值的子群的粒子數較多，方便對解空間大范圍的搜索；后期擁有線性遞減的慣性權值的子群粒子數增多，增強局部搜索能力。通過兩個子群在不同時期粒子數的變化，結合慣性權值的影響，使子群既擁有較好的全局尋優(yōu)能力，又具有良好的局部搜索性能。通過子群重組實現不同子群間的信息交流和融合。并且在算法迭代若干次后引入禁

4、忌搜索算法思想，既有效的解決了禁忌搜索算法對初始解過分依賴的缺點，又充分發(fā)揮了禁忌搜索算法較強的爬山能力的優(yōu)點，彌補了粒子群算法過早陷入局部最優(yōu)的缺點。同時利用禁忌搜索的長期記憶能力對最優(yōu)解可能的解空間進行鄰域搜索，這相當于一次有目的的變異，增強了算法搜得全局最優(yōu)解得能力。實驗結果表明，改進的算法在收斂速度和收斂精度上都有顯著提高。 為了把改進的粒子群算法用于解決Packing問題，首先對Packing問題的計算復雜性問題進行了