改进的带经验因子的二进制粒子群优化算法 (2013年)

针对传统二进制粒子群优化(BPSO)算法未充分利用粒子位置的历史信息辅助迭代寻优，从而影响算法寻优效率的进一步提高的问题，提出一种改进的带经验因子的BPSO算法。该算法通过引入反映粒子位置历史信息的经验因子来影响粒子速度的更新，从而引导粒子寻优。为避免粒子对历史信息的过度依赖，算法通过赏罚机制和历史遗忘系数对其进行调节，最后通过经验权重决定经验因子对速度更新的影响。仿真实验结果表明，与经典BPSO算法以及相关改进算法相比，新算法无论在收敛速度还是全局搜索能力上，都能达到更好的效果。 二进制粒子群优化（BPSO）是一种模拟群体智能行为的优化算法，常用于解决离散或非连续的复杂优化问题。传统的BPSO算法中，粒子通过更新其速度和位置来寻找最优解，但这种方法往往忽视了粒子过去位置的历史信息，限制了算法的性能。针对这一问题，一种改进的带经验因子的BPSO算法被提出，旨在利用粒子的历史信息以增强算法的寻优效率。 在改进的BPSO算法中，关键创新在于引入了“经验因子”。经验因子能够反映出粒子在搜索过程中的位置变化趋势，即它记录并反映了粒子历史位置的信息。这一因子直接影响粒子速度的更新，使得粒子的移动不仅基于当前的最优解，还考虑了过去的位置信息，从而提高了粒子的搜索策略。 为了避免粒子过度依赖历史信息导致的优化停滞，算法采用了赏罚机制和历史遗忘系数。赏罚机制是为了激励粒子探索新的可能解空间，而不是简单地重复过去的路径。当粒子探索到更优解时，会受到奖励，反之则受到惩罚，这样可以保持算法的动态性和探索性。而历史遗忘系数则随着时间推移逐渐减小历史信息的影响，防止粒子陷入局部最优。 此外，算法还引入了经验权重的概念，它决定了经验因子在速度更新中的作用程度。经验权重可以根据算法的运行情况动态调整，以平衡历史信息与当前信息的结合，从而在保持算法搜索活力的同时，确保算法能有效地利用历史经验。 通过仿真实验，这种改进的BPSO算法在收敛速度和全局搜索能力方面均优于经典BPSO算法及一些相关的改进版本。这意味着它能在较短的时间内找到更接近全局最优解的解，且具有更强的跳出局部最优的能力，这对于解决实际问题尤其是复杂的优化问题具有重要意义。 总结来说，改进的带经验因子的BPSO算法通过引入经验因子、赏罚机制和历史遗忘系数，以及经验权重，成功地提升了传统BPSO算法的寻优效率和全局搜索性能。这为粒子群优化算法的研究提供了新的思路，也为实际工程问题的优化提供了更为高效的工具。