资源描述：
《基于最优评价的改进自适应粒子群算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、第30卷第12期系统工程与电子技术Vol.30No.122008年12月SystemsEngineeringandElectronicsDec.2008文章编号:1001506X(2008)12249705基于最优评价的改进自适应粒子群算法12汪禹喆,雷英杰(空军工程大学计算机工程系,陕西三原713800)摘要:在求解高维空间中复杂多峰函数的优化问题时,传统的粒子群算法在收敛速度和局部搜索能力等方面表现出严重不足。针对这些问题,提出了一种基于最优评价的改进自适应粒子群算法(IAPSO),引入了改进的速度迭代公式,利用对每次迭代后种群的一系列最优值的评价来控制惯
2、性权重的增幅,并设置对速度和位置的变异机制来防止搜索陷入局部最优。相关实验表明,在对高维空间中的复杂多峰函数进行优化求解时,改进粒子群算法IAPSO的表现比常规粒子群算法更加优越。关键词:粒子群算法;最优值评价;变异机制;自适应中图分类号:TP183文献标志码:AImprovedadaptiveparticleswarmoptimizationalgorithmbasedonbestfitnessevaluation12WANGYuzhe,LEIYingjie(Dept.ofComputerEngineering,AirForceEngineeringUniv.,
3、Sanyuan713800,China)Abstract:Forcomplexmultipeaksfunctionwithhighdimensions,theclassicalPSOAhassomeseriousdisadvantagessuchasslowconvergenceandweakabilityoflocalsearch.Withrespecttothedeficiencythispaperpresentsanimprovedadaptiveparticleswarmoptimizationalgorithmbasedonbestfitnessevalua
4、tion(IAPSO)andintroducesanimprovedvelocityiterativeformula.TheIAPSOchangesinertialweightaccordingtothebestfitnessofeachgenerationandsetsupamutationmechanismofvelocityandparticlepositiontopreventasearchtrappingintolocaloptimum.ExperimentalresultsdemonstratethattheperformanceofIAPSOissuperi
5、ortothecanonicalPSOA.Keywords:particleswarmoptimization;bestfitnessevaluation;mutationmechanism;adaptive0引言(SPEPSO)、添加高斯变异算子等。本文为解决高维空间中复杂多峰函数的优化问题,在借鉴前人研究成果的基础上,[1]粒子群优化算法(particleswarmoptimizationalgo提出了改进的粒子群算法,充分考虑到算法求解特性,引入rithm)最早是由Kenney和Eberhart于1995年提出,源于基于最优值评价的反馈机制,提出改进的速度更新
6、公式,同对鸟群和鱼群群体行为的研究,是一种新的进化寻优技术。时设置新的且更为有效的变异机制,防止在搜索后期陷入其原理是由算法产生一组随机的粒子(随机解),并通过粒局部最优。子在解空间中的运动来寻找最优解,在每次迭代中,每个粒1常规粒子群算法子都需要通过与其他粒子的交流和自身的经验来判断下一次搜索的速度和起始位置,其优点在于结构简单,收敛速度粒子群算法是基于种群的优化算法,通过粒子之间的协快。但从现有文献中可以知道,粒子群算法存在一些悬而作和竞争来实现在多维空间中对最优解的搜索,即求解最优未决问题,比如对粒子群算法至关重要的参数选取,以及早值的过程。具体步骤为,首先随机生成解
7、空间中一组粒子,熟收敛问题等等,由于缺少相关的理论支持,所以在应用上其中每个粒子代表一个可行的初始解,然后在每次迭代时通需要依靠大量的实验和使用者的经验,这对于算法的性能过式(1),式(2)更新粒子的速度和位置信息,通过目函数来均有着极大的影响。针对这些问题,文献[23]提出了一些判定粒子在求解时的优劣,并更新全局信息,如此往复直到关于参数设置的方法,而文献[47]提出了一些改善种群多迭代过程结束。而粒子在空间中的运动不仅跟自身的速度样性的方法,如自组织临界点控制(SOC)、粒子空间扩展有关,同时也
