文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 基于收缩因子的改进粒子群算法
侵权投诉

基于收缩因子的改进粒子群算法

针对基本粒子群优化算法存在的早熟收敛问题,提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的改进粒子群优化算法。如果种群多样性逐步减小,直至超出下限时,种群不再向整体最优位置靠近,而是纷纷远离该最优位置,而当种群多样性逐步增大,直至超出上限时,种群又开始向整体最优位置靠拢,从而保持了粒子的多样性。同时,该方法通过正确选择惯性权重系数与加速常数即学习因子这些控制参数的值的方法,确保算法收敛。

的杂交粒子群混合PSO算法、Clerc M.(1999)提出的带约束因子的PSO算法、Suganthan P.(1999)提出的带有领域因子的PSO算法、Shi Y.(2001)提出的模糊自适应惯性权重的PSO算法、Van(2001)提出的协同PSO算法、Natsuki(2003)提出的具有高斯变异的PSO算法、Sun J.(2004)提出的具有量子行为的PSO算法等。这些改进的PSO算法各有优缺点。

本文提出一种既保持粒子活性又保证粒子快速收敛于全局极值点的改进PSO算法(XARPSO算法)。该算法描述了一种通过选择惯性权重系数w与加速常数C1、C2的值的方法以确保算法收敛,并引入“吸引”和“扩散”两个算子,动态地调整“勘探”与“开发”比例,从而能更好的提高算法效率。测试表明,该改进PSO算法在搜索能力方面和收敛速率方面都得到很大的提高。

1 基本粒子群算法

美国的James Kennedy和Russell受鸟群觅食行为的启发,提出了PSO算法。PSO算法求解优化问题时,问题的解就是搜索空间中的一只鸟的位置,称这些鸟为“粒子”。所有的粒子都有一个被优化函数决定的适应值和一个决定它们飞翔方向与距离的速度。在优化过程中,每个粒子记忆、追随当前的最优粒子,在解空间中进行搜索。PSO算法初始化为一群随机粒子(随机候选解),然后通过迭代找到最优解。在每一次迭代过程中,粒子通过追逐两个极值来更新自己的位置。一个是粒子自身所找到的当前最优解,这个解称为个体极值pbest;另 一个是整个群体当前找到的最优解,这个解称为全局极值gbest。PSO算法数学表示如下:

设Xi=(Xi1,Xi2,……,Xin)为粒子i的当前位置;Vi=(Vi1,Vi2,……,Vin)为粒子i的当前飞行速度;Pi(t)=(Pi1,Pi2,……,Pin)为粒子i所经历的最好位置,也就是粒子i所经历过的具有最好适应值的位置,称为个体最好位置。对于最小化问题,目标函数值越小,对应的适应值越好。整个粒子群搜索到的最优位置为Pg(t)=(Pg1,Pg2 ,……,Pgn),称为全局最好位置。则基本粒子群算法的进化方程可描述为:

Vij(t+1)=Vij(t)+c1r1j(t)(Pij(t)-Xij(t)+c2r2j(t)(Pgj(t)-Xij(t))

上一页第2页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email