第
30
卷第
5
期
2010
年
5
月
计算机应用
Vo
l.
30
No.5
May
2010 Joumal of Computer Applications
文章编号:
1001 - 9081
(2010
)05
-1293
-
04
一种增强型的粒子群优化算法
代军，李国，徐晨
(深圳大学数学与计算科学学院，广东深圳
518060)
(water20007@
163.
com)
摘
要:针对粒子群优化算法在进化后期容易陷入局部最优的缺点，提出了一种增强型的粒子群优化算法，即当
粒子陷入局部极值点时，从增强粒子的自我学习能力，增强种群中其他相关粒子探索新区域的能力和增强粒子之间
的信息交流三个方面来增强算法的寻优能力。数值实验结果表明，新算法具有很好的寻优性能。
关键词:粒子群优化;群体智能;惯性权重;压缩因子;局部极值;全局极值
中图分类号:
TP18
文献标志码
:A
Enhanced particle swarm optimization algorithm
DAI
Jun
,
LI
Guo
,
XU
Chen
( College
of
Mathematics
α
nd
Computational
Sc
阳时
e
，
Shenzhen
Univers
町
，
Shenzhen Guangdong 518060, China)
Abstract:
An Enhanced Particle Swarm Optimization (EPSO) algorithm
was
proposed
to
overcome the disadvantage of
PSO such as easily falling into local optimal at the latter
p
町
t
of the evolution. In this algorithm, when particle fell into local
extremum point
, the algorithm enhanced its ability of searching global optimal value by enhancing the particle's self-study
ability
, the other relative particles' ability of exploring new search space and the information communication in particles. The
experimental results indicate that the new method has good ability of searching optimal value.
Key
words:
Particle Swarm Optimization
(PSO);
swarm intelligence; inertia weight; constriction factor; local extremum;
global extremum
。
引言
粒子群优化算法
(Particle
Swarm Optimization , PSO
)是一
种基于社会心理学模型的群智能优化算法川，与其他进化算
法相比，该算法具有要设置的参数少，易于实现等优点，目前
已被广泛应用于电力调度、目标优化等领域。尽管
PSO
具有
明显的优势，但自身存在的最突出问题是:在进化后期极容易
陷入局部最优。对此，许多学者提出了改进方法，如文献[
1 J
改进粒子的个体最优位置和全局极值的选取，提出了一种改
进的
PSO
算法;文献
[2J
模拟天鹅迁徙的飞行过程，并根据天
鹅在飞行过程中始终有领头鹉引领整个鹅群飞行的这一特
点，提出了一种新型的
PSO
算法;文献
[3J
根据实验调查，限
定惯性权重在
0.4
-
0.6
随机取值;文献
[4J
模拟学生的学
习
考试机制，提出了一种学习一考试型的粒子群优化算法
等。其中，文献
[2
，
4J
是通过模拟仿生现象提出来的，而
PSO
算法本身也是模拟鸟群觅食而提出来的，因此，通过对粒子群
本身进行仿生分析是增强
PSO
算法性能的一个重要途径。
本文从加强粒子自我学习和对新区域的探索，以及增加粒子
间的信息交流三个方面来改善
PSO
算法的寻优能力。
设在
d
维搜索空间中，某一个种群有
S
个粒子，第
i
个粒
子的第
t
代在该搜索空间中的位置为
X:=
(
儿，吨，…
，
x~)
(i
= 1 ,2 ,… ,
s)
，
速度
V:
=
(吨，吨，…
，
v~)
，
第
i
个粒子在第
t
代的个体极值位置为
P:
=
(片，品，…
，
p~)
，
第
t
代的全局极
值位置为
P;=(
吟，马，…
，
P~d)
，
每个粒子根据如下两个方
程来更新自己:
1
粒子群算法
1.
1
粒子群算法的介绍
在粒子群算法中，每个粒子根据自己的飞行经验和种群
中其他粒子的飞行经验来动态调整自己的位置问，具体如
下。
V:+'
V:+c
,
'rand().(P;-X;)
+
c
2
•
rand
()
.
(P
~
-
X:)
X:+'
X;
+
V:+'
(1)
(2)
其中:句
，
c
2
是学习因子，一般取值为
2;
rand(
)是
[0
，
1 J
区间
均匀分布的随机数。在式(1)右端项中
，
V~
称为粒子的先前
速度，
c, •
rand()
•
(P:-
X:)
为粒子的自我认知部分，
C
2
•
rand()
•
(P~
-
x:)
为粒子的社会认知部分。粒子的先前速
度与自我认知部分体现了粒子对自身经验的积累与信赖;粒
子的社会认知部分体现了粒子之间的协作和信息交流。
PSO
算法在初始化一群随机的粒子之后迭代运行，并且
在每次迭代过程中，粒子通过个体极值位置(即
P;)
和全局
极值位置(即
P~)
来更新自己，直到满足迭代停止条件为止。
其算法流程如图
I
所示。
1.
2
两种典型的粒子群优化算法
1.
2.1
基于惯性权重的全局粒子群优化算法
(GWPSO)
为了改善
PSO
算法的收敛精度，
Shi
等人
[5]
首次在速度
更新方程中引人惯性权重，即:
V~+l
即
V:+
c, .
rand()
•
(P:
一
x:)
+
c
2
•
rand()
•
(P~
- x:)
(3)
收稿日期
:2009
-11
-17;
修回日期
:2009
一
12
-25
。
基金项目:国家
863
计划项目
(2006AA01A116)
;广东省自然科学基金资助项目
(2008329)
;广东省省部产学研结合项目
(2009B090300355)
。
作者简介:代军(1
985
- )
，男，四川南充人，硕士研究生，主要研究方向:智能计算、小波分析;
李国(1
967
- )
，男，河南信阳人，副教授，博
士，主要研究方向:智能计算;
徐晨(1
965
- )
，男，浙江海宁人，教授，博士生导师，主要研究方向:小波分析。
资源评论
