收稿日期
: 2012-05-07;
修回日期
: 2012-06-14
基金项目
:
国家自然科学基金资助项目
( 61070008) ;
河南省重点科技攻关资助项目
( 112102210383)
作者简介
:
于海平
( 1978-) ,
女
,
山东泰安人
,
讲师
,
硕士
,
主要研究方向为智能计算
( yhp0308@ yahoo . com. cn) ;
刘会超
( 1982-) ,
男
,
河南驻马店
人
,
讲师
,
硕士
,
主要研究方向为智能计算
;
吴志健
( 1963-) ,
男
,
江西潘阳人
,
教授
,
博士
,
主要研究方向为智能计算
、
并行计算
、
智能信息处理
.
基于模拟退火的自适应粒子群优化
算法的改进策略
*
于海平
1
,
刘会超
2,3
,
吴志健
2
( 1.
武汉科技大学城市学院 信息工程学部
,
武汉
430083; 2.
武汉大学 软件工程国家重点实验室
,
武汉
430072;
3.
黄淮学院 计算机学院
,
河南 驻马店
463000)
摘 要
:
针对
PSO
算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷
,
引入一种初始化改进
策略
,
并将模拟退火算法与
PSO
算法相结合
,
提出了一种全新的算法
。
该算法将寻优过程分为两个阶段
:
为了提
高算法的执行速度
,
前期使用标准
PSO
算法进行寻优
,
后期运用模拟退火思想对
PSO
中的参数进行优化搜索最
优解
。
最后将该算法应用于八个经典的单峰
/
多峰函数中
。
模拟结果表明
,
该算法有效地避免了早熟收敛现象
,
并提高了收敛速度
,
从而提高了
PSO
算法解决全局优化的性能
。
关键词
:
粒子群优化算法
;
模拟退火
;
函数优化
中图分类号
: TP301
文献标志码
: A
文章编号
: 1001-3695( 2012) 12-4448-03
doi: 10. 3969 /j. issn. 1001-3695. 2012. 12. 010
Strategy of adaptive simulated annealing partic le swarm optimization algorithm
YU Hai-ping
1
,LIU Hui-chao
2,3
,WU Zhi-jian
2
( 1. Faculty of Information Engineering,Wuhan University of Science & Technology City College,Wuhan 430083,China; 2. State Key Lab of
Software Engineering,Wuhan University,Wuhan 430072,China; 3. School of Computer Science,Huanghuai University,Zhumadian Henan
463000,China)
Abstract: In PSO algorithm,it tends to suffer from premature convergence and slow rate of convergence on solving the problem
of optimization problems. This paper pr o po sed a new algorithm about initialization and simulated annealing algorithm combined
with the PSO for function optimization. It divided the new method into two phases. In order to i mprove the convergence rate
,
pre-standard optimization algorithm,and post ideas o n the use of simulated annealing to optimize the parameters of PSO f or
searching the optimum. It applied eig ht classic unimodal /multimodal function. Compared with other algorithms
,the simulation
results show that the algorithm avoids the premature convergence phenomenon,enhanced the convergence rate and improves the
performance of global optimization.
Key words: particle swarm optimization algorithm; simulated annealing; function optimization
粒子群优化算法是于
1995
年由
Kennedy
等人
[1]
提出的一
种智能优化算法
。
该算法主要适用于求解一些高维
、
非线性等
复杂的优化问题
。
它具有算法简单
、
控制参数较少
、
收敛性能较
好等优点
。
很多学者对粒子群优化算法的深入研究也取得了很
好的效果
,
并且这一算法一经提出便出现了很多改进算法
。
该
算法既可以用于解决连续型非线性问题
,
同时也可以应用到离
散问题的求解上
。
但是与其他智能算法一样
,
粒子群算法也存
在着容易陷入局部最优
、
算法后期容易出现振荡的现象
。
基于
以上问题的出现
,
很多学者提出了各种改进策略
。
例如
,Clerc
等人提出的带收缩因子的标准粒子群优化算法
,Shi
和
Eberhart
提出的惯性权重加权项以及线性减小惯性权重的
PSO
算法
。
1
标准的粒子群优化算法原理
粒子群算法是一种群智能优化算法
。
所谓群智能是指任
何一种昆虫群体或者其他动物的社会行为机制而激发并设计
出来的算法或者分布式解决问题的策略
[2]
。
它模拟鸟群和蜂群等动物群体觅食行为
,
通过个体之间的
协作使得群体达到最优化的目的
。
主要过程表现为
:
首先初始
化为一群随机的粒子
,
这些粒子代表求解问题的
n
个候选解
,
它们通过
t
次迭代生成种群
,
粒子通过以下公式进行位置和速
度的迭代
,
最终找到最优解
。
v
ij
( t + 1) = v
ij
( t) + c
1
r
1
( pbest
ij
( t) - x
ij
( t) ) +
c
2
r
2
( gbest
gj
( t) - x
ij
( t) ) ( 1)
x
ij
( t + 1) = x
ij
( t) + v
ij
( t + 1) ( 2)
其中
: i = 1,2,3,…,n,n
是种群中粒子的数量
; j = 1,2,3,…,m
是维数
; t
是循环的次数
; c
1
、c
2
是学习因子
,
一般情况下是一个
正常量
,
分别调节粒子飞行的步长
,
一般取值为
c
1
= c
2
= 2; r
1
、
r
2
是
[0,1]
之间的随机数
。
以上算法是
Hennedy
和
Eberhart
博
士最初提出的基本粒子群优化算法
。
其产生过程主要受到动
态社会影响理论以及自适应文化模型的作用
[1]
。PSO
算法与
遗传算法
( GA)
类似
,
它具有操作简单
、
涉及到的系数较少
、
收
敛速度相对较快等特征
。
因此
,PSO
算法引起越来越多的关
第
29
卷第
12
期
2012
年
12
月
计 算 机 应 用 研 究
Application Research of C omputers
Vol. 29 No. 12
Dec. 2012