具有快速收敛和自适应逃逸功能的粒子群优化算法
开篇：润墨网以专业的文秘视角，为您筛选了一篇具有快速收敛和自适应逃逸功能的粒子群优化算法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：
为了克服标准粒子群优化算法（PSO）后期收敛速度慢、容易陷入局部最优等缺点，借鉴人工蜂群算法的思想，提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法（FAPSO）。算法中每进化一次粒子搜索两次：一次全局搜索，一次局部搜索。当粒子陷入局部最优时，通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明，改进的粒子群优化算法在收敛速度和寻优精度上均有提高，相对于目前常用的改进粒子群优化算法如CLPSO等，t检验结果说明，新算法具有明显的优势。
关键词：
0引言
粒子群优化算法[1]（Particle Swarm Optimization，PSO）是由Kennedy和Eberhart于1995年模拟鸟群的运动模型提出的。该算法概念简单、容易实现等突出的优点，使其在短短几年获得了很大的发展，并在众多领域得到了成功的应用，如电力系统优化[2]、神经网络进化[3]、数字滤波设计[4]、半导体器件综合、电路设计及布局优化等方面。PSO算法提出后，其存在的收敛速度慢、易于早熟等问题，亦引起了众多学者的关注。因此，许多学者对其进行改进研究，如吴晓军等[5]提出均匀搜索粒子群优化算法；陈伟等[6]为提高量子行为粒子群优化算法的全局收敛性能，提出一种基于完全学习策略的量子行为粒子群优化算法；刘黎黎等[7]利用物理学中的非线性复合效应，提出一种复合粒子群优化算法。
目前国内外研究者对其改进方面主要有：1）参数的选择与设计，在PSO算法中存在几个显参数和隐参数，控制着诸如收敛和发散的重要行为，通过控制这些参数来优化算法的性能；2）种群拓扑结构，生物组织内的交流及其性能要受其网络结构的影响，因此有人提出不同的种群拓扑结构，以改善算法的性能；3）混合粒子群优化算法，将进化计算中的选择、交叉和变异等特性，混沌、免疫系统的免疫信息处理机制与粒子群优化算法中的寻优机制相结合，提出相应的混合算法；4）离散粒子群优化算法，Kennedy和Eberhart在基本算法的基础上提出一种离散的二进制决策模型，在二进制空间中微粒的移动是通过翻转位置来实现的，而微粒的速度用每次迭代的位数来描述，或等价于某微粒在t和t+1时刻取值之间的海明距离。
受人工蜂群算法[8]的启发，本文提出一种具有提高收敛速度和自适应逃逸功能的粒子群优化算法（FAPSO）。针对标准PSO算法收敛速度慢的缺点，FAPSO算法增加局部搜索能力，快速找到最优解；针对PSO算法容易出现“早熟”的现象，FAPSO算法对标准PSO算法增加了“逃逸”功能，使得粒子能及时跳出局部极值点。通过Benchmark函数对算法的性能进行了验证。结果表明：该算法能增加粒子群的多样性，提高了算法的收敛速度，避免早熟收敛，能够跳出局部最优点，增强了PSO算法的全局收敛能力。
4结语
本文针对粒子群优化算法早熟收敛和收敛速度慢等问题，受人工蜂群算法的启发，对标准粒子群优化算法增加局部搜索能力，并能在粒子陷入局部最优时及时跳出极值点，从而既克服了早熟现象，同时提高了算法的收敛速度。对8个函数的寻优结果表明，FAPSO在单峰函数和多峰函数上均表现出良好的性能，与标准PSO及其他改进的粒子群优化算法相比有了较大的改善。t检验结果也表明该算法有明显优势。此外，FAPSO算法还有比较大的改进空间，如算法中的分群规则、变异方式及学习策略等；同时还可在此基础上作进一步的改进，如增加某些新改进算法的内容等。因此，FAPSO算法还有较大的研究空间，这也是该算法今后研究的内容。
参考文献：
[1]
KENNEDY J， EBERHART R. Particle swarm optimization[C]// Proceedings of IEEE International Conference on Neural Networks.Piscataway： IEEE，1995，4： 1942-1948.
[2]
刘丽军，蔡金锭.基于自适应强引导粒子群算法的电力系统无功优化[J].电工电能新技术，2012，31（4）：24-28.
[3]
王勇.基于混沌粒子群的神经网络主汽温控制系统[J].计算机仿真，2012，29（8）：322-325.
[4]
，马红梅，张旭珍.基于粒子群优化算法的模拟滤波器设计[J].计算机工程，2011，37（13）：246-250.
[5]
吴晓军，杨战中，赵明.均匀粒子群搜索算法[J].电子学报，2011，39（6）：1261-1266.
[6]
陈伟，周E，孙俊，等.一种采用完全学习策略的两字行为粒子群优化算法[J].控制与决策， 2012， 27（5）：719-730.
[7]
刘黎黎，李国家，汪定伟.动态环境下带有非线性效益的复合粒子群优化算法[J].控制理论与应用，2012，29（10）：1253-1262.
[8]
KARABOGA D，BASTURK B.A powerful and efficient algorithm for numerical function optimization： Artificial Bee Colony （ABC） algorithm[J]. Journal of Global Optimization，2007，39（3）：459-171.
[9]
BAO L， ZENG J C. Comparison and analysis of the selection in artificial bee colony algorithm [C]// Proceeding of the 9th Intemational Conference on Hybrid Intelligent Systems. Washington，DC：IEEE Computer Society，2009：411-416.
[10]
LIANG J J， QIN A K， SUGANTHAN P N，et al. Comprehensive learning particle swarm optimizer for global optimization of multimodal functions[J]. IEEE Transactions on Evolutionary Computation， 2006，10（3）：281-295.
[11]
SUGANTHAN P N， HANSEN N， LIANG J J，et al. Problem definitions and evaluation criteria for the CEC2005 special session on realparameter optimization， KanGAL Report Number 2005005[R/OL]. [2012-10-01]. http：///svnhistory/r599/trunk/EvalCompu/TechReportMay3005.pdf.
[12]
JIAO B，LIAN Z G， GU X S.A dynamic inertia weight particle swarm optimization algorithm[J]. Chaos Solitons & Fractals，2008，37（3）：698-705.
[13]
RATNAWEERA A， HALGAMUGE S， WATSON H C. Self organizing hierarchical particle swarm optimizer with time varying acceleration coefficients[J]. IEEE Transactions on Evolutionary Computation， 2004， 8（3）： 240-255.
[14]
SHI Y， EBERHART R C. A modified particle swarm optimizer[C]// The 1998 IEEE International Conference on Evolutionary Computation Proceedings， IEEE World Congress on Computational Intelligence.Piscataway： IEEE Press， 1998：69-73.
[15]
KENNEDY J， MENDES R. Population structure and particle swarm performance [C] // Proceeding of the 2002 Congress on Evolution Computation. Washington， DC： IEEE Computer Society， 2002： 1671-1676.
[16]
MENDES R， KENNEDY J， NEVES J. The fully informed particle swarm： Simpler maybe better[J]. IEEE Transactions on Evolutionary Computation，2004，8（3）：204-210.
[17]
LIANG J J， QIN A K， SUGANTHAN P N， et al. Comprehensive learning particle swarm optimizer for global optimization of multimodal functions[J].IEEE Transactions on Evolution Computation， 2006， 10（3）：281-295.
[18]
GONG W Y， CAI Z H， CHARLES X， et al. Enhanced differential evolution with adaptive strategies for numerical optimization[J]. IEEE Transactions on Systems，Man，and Cybernetics，Part B： Cybernetics，2011，41（2）： 397-413.