基于遗传交叉和多混沌策略改进的粒子群优化算法

《基于遗传交叉和多混沌策略改进的粒子群优化算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、优先出版计算机应用研究第33卷*基于遗传交叉和多混沌策略改进的粒子群优化算法谭跃1，谭冠政2，邓曙光1(1．湖南城市学院通信与电子工程学院，湖南益阳413000；2．中南大学信息科学与工程学院，长沙410083)摘要：为有效改进基本PSO算法的搜索能力，提出了一种基于遗传交叉和多混沌方式改进的粒子群算法。该算法为获得比当前群体更优的最优解，采用了以下四种措施：a)对当前群体中的最优解和每个粒子最优解进行遗传交叉操作；b)用混沌系统动态地调整PSO算法的惯性权重；c)对整个解空间进行混沌全局搜索；d)对当前群体中最优解进行多维和单维的混沌局部搜

2、索。仿真实验结果表明：与其他三种算法相比，提出的算法在解决8个整数和混合整数非线性规划问题时不仅收敛速度最快，而且具有100%的成功率。关键词：粒子群优化算法；遗传交叉；混沌惯性权重；多维和单维混沌局部搜索；混沌全局搜索中图分类号：TP301.6Improvedparticleswarmoptimizationalgorithmbasedongeneticcrossoverandmulti-chaoticstrategiesTanYue1,TanGuanzheng2,DengShuguang1(1.SchoolofCommunication&

3、ElectronicEngineering,HunanCityUniversity,Yiyang413000,China;2.SchoolofInformationScience&Engineering,CentralSouthUniversity,Changsha410083,China)Abstract:Thispaperproposedaparticleswarmoptimization(PSO)algorithmbasedongeneticcrossoverandmulti-chaoticstrategiestoeffectively

4、improvethesearchabilitiesofthebasicPSOalgorithm.Theproposedalgorithmusedfourmeasurementstoobtainthebettersolutionthantheoptimalsolutionofthecurrentswarm.Thefirstwastoperformageneticcrossoveroperationbetweentheoptimalsolutionofthecurrentswarmandthebestsolutionofeachparticle.

5、Thesecondwasthatachaoticsystemdynamicallyadjustedtheinertiaweight.Thethirdwasachaoticglobalsearchforthewholesolutionspace.Thelastwastoperformamulti-dimensionalandsingle-dimensionalchaoticlocalsearchontheoptimalsolutionofthecurrentswarm.Simulationresultsshowthatcomparedwitht

6、heotherthreealgorithms,theproposedalgorithmnotonlyhasthefastestconvergencespeed,butalsohasa100%successratewhensolvingeightintegerandmixedintegernonlinearprogrammingproblems.KeyWords:particleswarmoptimization;geneticcrossover;chaoticinertiaweight;multi-dimensionalandsingle-d

7、imensionchaoticlocalsearch;chaoticglobalsearch系数[5]。第二类是改变PSO算法的形式，如改变粒子位置[6]和0引言改变粒子速度[7-8]。第三类是基于多种群方式改进，如双种群[9]粒子群优化（PSO）算法是由Kennedy和Eberhart提出的或多子群PSO算法[10]。第四类是基于全局最优粒子的局部搜索一种迭代搜索算法。由于PSO算法具有可调参数少、求解速度PSO算法，如混沌局部搜索的PSO算法[11]。第五类是混合改进快、所求解的目标函数无需可微或可导等优点，因此它广泛用方式，即利用上述四

8、类方式中的两类或两类以上的方式组合在于求解各类优化问题。然而，当目标函数中存在大量的局部极一起来改进PSO算法，有时甚至还引入其它进化算法（如遗传值，或者在一个离散