引力搜索算法中粒子记忆性改进的研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇引力搜索算法中粒子记忆性改进的研究范文，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:针对引力搜索算法(GSA)对一些复杂问题的搜索精度不高的问题，特别是高维函数优化性能不佳、优化过程容易出现早熟的现象，因此考虑将粒子群优化(PSO)算法中关于局部最优解和全局最优解的概念引入引力搜索算法中，对引力搜索算法中粒子的记忆性进行改进，这样使得粒子的进化不仅受空间中其他粒子的影响，还受到自身记忆的约束，以此来提高算法的搜索能力。通过对选用的10个基准函数测试，证明了该方法的有效性。

关键词:引力搜索算法；粒子群优化算法；记忆性；数值函数优化；群智能

中图分类号: TP301.6文献标志码:A英文标题

引言

Rashedi等 ［1-3］在2009年底提出了引力搜索优化算法(Gravitational Search Algorithm,GSA)，与粒子群优化(Particle Swarm Optimization,PSO)算法相似，是一种元启发式算法，该算法的基本思想是基于牛顿万有引力定律［4］：“在宇宙间，每一个粒子由于万有引力的作用而彼此相互吸引，引力的大小与粒子的质量成正比，与它们之间的距离成反比”。它通过群体中各粒子之间的万有引力相互作用产生的群体智能指导优化搜索，但是目前针对引力搜索算法的研究还是比较少。文献［1］研究证明,GSA的搜索能力明显优于PSO、遗传算法、中心引力算法等一些智能优化算法，但是该算法在优化过程中仍存在早熟收敛现象，易陷入局部最优。

为了解决以上的不足，本文对引力搜索算法中粒子的记忆性加以改进，主要采用了粒子群思想中的局部最优解和全局最优解的概念，并对该改进方法作简要的分析，最后通过测试基准函数验证改进算法的有效性，并分析测试的结果。

1引力搜索算法

在GSA中,粒子的质量对它们的行为表现有着非常重要的作用。粒子之间都是相互吸引的, 相互之间的作用力引起粒子都朝着质量大的粒子的方向移动, 每个粒子有四个特征: 位置、惯性权重、施力粒子、受力粒子。而粒子的位置就是问题的解［1-2］。

和经典的粒子群算法一样，重力引力搜索算法中粒子的初始位置和初始速度都是随机生成的。根据式（1）和式（2），可计算出每个粒子的惯性质量Mi(t)［1］：