基于质心和自适应指数惯性权重改进的粒子群算法

作者:陈寿文 刊名:计算机工程与应用 上传者:于达

【摘要】针对标准粒子群优化算法易出现早熟收敛及寻优精度低等缺陷,提出一种基于双质心和自适应指数惯性权重的改进粒子群算法(DCAEPSO)。算法使用粒子搜到的最优解和当前解构造加权的种群质心和最优个体质心,结合使用自适应指数惯性权重调整了速度更新公式。通过几个典型测试函数仿真及Friedman和Holm检验,实验结果显示DCAEPSO比其他粒子群算法寻优能力强。

全文阅读

Computer Engineering and Applications计算机工程与应用2015,51(5) 1 引言 源于对鸟群和鱼群觅食行为的模拟,Eberhart 和Kennedy 于 1995 年提出了粒子群算法原型(Particle Swarm Optimization,PSO)[1]。该算法是一种基于种群优化的算法,具有全局寻优能力[2],可解决多峰值问题的优化,并已广泛用于科学和工程领域[3]。然而,PSO易于陷入局部最优解,造成粒子进化停滞不前现象的发生[4]。为了提高PSO算法的优化性能,众多学者对其进行了改进。Shi等通过引入惯性权重(Inertia Weight)[5]修改了PSO中速度计算公式,提出了线性调整惯性权重的粒子群算法(Linearly Decreasing Weight PSO,LDWPSO)。研究表明,惯性权重较大利于粒子发挥全局寻优作用,较小可改善粒子局部寻优能力。之后,指数惯性权重[6] 和其他非线性形式的惯性权重[7]被引入到 PSO 中。为了揭示 PSO算法的工作原理,Clerc等分别从代数和分 析角度对其进行了理论研究,并将约束因子(Constriction Factor)引入到PSO算法中。研究表明,约束因子能确保算法收敛并利于提高粒子群的寻优能力[8]。Eberhart等对基于惯性权重的粒子群算法和带约束因子的粒子群算法进行了比较研究,他们认为后者是前者的一种特殊表现形式[9]。借助物理学质心概念,不同形式的质心粒子群算法(Center/Centroid PSO)先后被提出来,相比于LDWPSO 算法,实验验证了这些算法具有较好的寻优能力[10-12]。其中,依据设计质心的模型来划分,质心的表现形式有3种:(1)基于各粒子最优位置设计质心[10];(2)基于各粒子当前位置设计质心[4,11];(3)结合各粒子最优位置和当前位置设计双质心[12]。近期,Ting等[13]设计了一种新的指数惯性权重框架,通过实验验证,他们给出了设置该指数惯性权重中相关参数的建议,并得出基于该指数惯性权重的粒子群算法较LDWPSO寻优能力强 基于质心和自适应指数惯性权重改进的粒子群算法 陈寿文 CHEN Shouwen 滁州学院 数学科学学院,安徽 滁州 239000 School of Mathematical Science, Chuzhou University, Chuzhou, Anhui 239000,China CHEN Shouwen. Improved particle swarm optimization algorithm based on centroid and self-adaptive exponential inertia weight. Computer Engineering and Applications, 2015, 51(5):58-64. Abstract:This paper proposes a new Particle Swarm Optimization(PSO)algorithm based on two aspects of improvement in standard PSO to avoid the problems about premature convergence and low precision. It adjusts velocity updating formula by embedding self-adaptive exponent

参考文献

引证文献

问答

我要提问