肖楊

摘 要：針對粒子群算法收斂速率慢，多樣性差的缺陷，文中提出了一種簡化的混合粒子群算法。首先利用簡化的粒子群算法和細菌群體趨藥性算法共同優(yōu)化粒子的個體最優(yōu)位置，同時采用精英保留策略以保存粒子的最優(yōu)位置，算法后期再添加全局擾動算子使得粒子跳出局部最優(yōu)。經(jīng)典測試函數(shù)的實驗結果表明，與其他粒子群優(yōu)化算法相比，此算法在尋找優(yōu)化解的質(zhì)量、收斂速度及魯棒性等方面具有優(yōu)異的性能。

關鍵詞：簡化粒子群算法；細菌群體趨藥性算法；全局擾動；精英保留

中圖分類號：TP301 文獻標識碼：A 文章編號：2095-1302（2017）02-00-02

0 引 言

粒子群算法（Particle Swarm Optimization，PSO）具有參數(shù)少、收斂速度快、計算簡單等優(yōu)點，尤其是在解決復雜的多峰問題上表現(xiàn)出良好的優(yōu)化性能，但其仍然存在早熟收斂的缺陷。為了解決這些問題，各種改進算法被陸續(xù)提出，可將這些算法大致分為如下幾類：

（1）對PSO參數(shù)的更改[1]。主要是針對線性權重、學習因子的更改；

（2）混合粒子群算法[2]；

（3）二進制粒子群算法[3]；

（4）協(xié)同粒子群算法[4]；

（5）簡化粒子群算法[5，6]。

本文在簡化粒子群算法的基礎上引入細菌群體趨藥性算法（Bacterial Colony Chemotaxis algorithm，BCC）增加粒子的多樣性。通過與幾種經(jīng)典算法比較，發(fā)現(xiàn)該改進算法能夠提高收斂精度，收斂速度快。

1 簡化的混合粒子群算法

1.1 簡化粒子群優(yōu)化算法

傳統(tǒng)的粒子群算法通過速度和位置兩個變量更新本身位置。胡旺[7]等人證明了粒子的更新與速度無關。

1.2 細菌群體趨藥性算法

在BCC算法中，由于其速度設為恒定值，通常取速度為常數(shù)，默認其搜索與速度無關，所以BCC算法也只有位置項。因此我們可以把它和PSO算法結合起來，共同更新粒子的位置信息。

1.3 改進的混合粒子群算法

其中，ω采用隨機慣性權重的策略。Gbest是全局擾動算子，式中δ1=0.4，δ2=0.001，itermax為最大迭代次數(shù)，α取值0.4，學習因子c1=c2=1.494 45。

為了避免傳統(tǒng)算法的隨機性而丟失一些位置較好的點，本文引入精英保留策略，在每次迭代中，改變位置最差粒子的位置，引導其移動到位置最好的粒子附近。

1.4 簡化的混合粒子群算法PSOBCC

具體的更新粒子位置信息過程如下：

（1）均勻初始化初始種群；

（2）按照式（1）、（2）更新粒子位置，選取前sz/2粒子直接進入下一次迭代；

（3）用BCC算法更新表現(xiàn)較差的sz/2個粒子，并與原適應度值進行比較，更新得到粒子的最好位置；

（4）將表現(xiàn)優(yōu)秀的前sz/2個粒子和BCC算法更新后的后sz/2個粒子一起進入下一代；

（5）更新全局最優(yōu)值，并利用公式（3）對全局最優(yōu)值進行擾動；

（6）采用精英保留策略，將最差粒子的位置移動到最好粒子的附近；

（7）若滿足判斷終止條件，則輸出優(yōu)化解，否則轉(zhuǎn)到（2）。

2 仿真實驗及結果分析

為了驗證算法的可行性，本文選用5個復雜高維多峰函數(shù)進行測試。并引用“區(qū)域尺度”和“中心偏移”方法對5個函數(shù)進行旋轉(zhuǎn)和偏移。相對于原始函數(shù)，旋轉(zhuǎn)偏移后的函數(shù)局部最優(yōu)點極多且不確定，求解也變得更加復雜。

2.1 算法參數(shù)設置

在本實驗中，仿真軟件為Matlab R2014a，仿真運行環(huán)境為Windows 7操作系統(tǒng)，Intel i3 處理器，4 GB內(nèi)存，所得的測試結果用PSOBCC表示，并同時與PSO、超球面加速效應粒子群算法（HAEP-SO）、指數(shù)分布粒子群優(yōu)化算法（EPSO）、維分區(qū)和自適應速度控制協(xié)同粒子群算法（CPSO-DA）和適應度距離比率粒子群算法（FDRPSO）進行對比（此處所用數(shù)據(jù)出自文獻[8]）。為了保證結果的可對比性，每個實驗迭代1 000次，每個函數(shù)獨立運行25次，選取粒子數(shù)目為25個，空間維數(shù)30維。其中Mean表示平均值，Std表示標準差。

2.2 測試函數(shù)

測試函數(shù)見表1所列。

2.3 測試結果

6種算法在原始測試函數(shù)上的測試結果對比見表2所列。在表2中可以直觀看到，PSOBCC在函數(shù)f1，f3，f4，f5上表現(xiàn)較好，其平均值和標準差均優(yōu)于其他函數(shù)。在f2上CPSO-DA表現(xiàn)較好?？傮w而言，在原始測試函數(shù)上，PSOBCC整體性能最優(yōu)，每次運行結果也最為穩(wěn)定。

為了證明本文算法的普遍適用性，對表1中的5個函數(shù)進行旋轉(zhuǎn)和偏移，在相同測試條件下，表3列出了PSOBC和其他對比算法對旋轉(zhuǎn)偏移函數(shù)的測試結果。從表3可以看出，PSOBC在f2，f3，f4函數(shù)上平均值表現(xiàn)較好，在f1上PSOBCC的標準差最為穩(wěn)定。雖然在f5上表現(xiàn)不足，但總體而言，PSOBCC整體表現(xiàn)優(yōu)異。

3 結 語

本文可通過去掉速度項來有效降低算法對可調(diào)參數(shù)的敏感程度，同時粒子位置更新策略有效提升了算法的種群多樣性，保存了高性能的粒子，增強了算法搜索到全局最優(yōu)解的能力。

由于本文算法中增加了細菌群體趨藥性算法，算法計算復雜度有所提高，但考慮算法在大部分測試函數(shù)上都能得到理想的結果。接下來的研究工作包括提高粒子的搜索精度。

參考文獻

[1]溫濤，盛國軍，郭權，等.基于改進粒子群算法的Web服務組合[J].計算機學報，2013，36（5）：1031-1046.

[2]黃凱鋒，李莉，李永亮.多種群粒子群與人工蜂群融合的改進算法[J].計算機工程與設計，2014，35（6）： 2250-2254.

[3] Mirjalili S，Lewis-A.S-shaped versus V-shaped transfer functions for binary Particle Swarm Optimization[J].Swarm & Evolutionary Computation，2013（9）： 1-14.

[4] Hu Y F，Ding Y S，Ren L H，et al.An endocrine cooperative particle swarm optimization algorithm for routing recovery problem of wireless sensor networks with multiple mobile sinks[J].Information Sciences，2015（300）：100-113.

[5]周丹，南敬昌，高明明.改進的簡化粒子群算法優(yōu)化模糊神經(jīng)網(wǎng)絡建模[J].計算機應用研究，2015，32（4）：1000-1003.

[6]雷敏，楊萬里，彭曉波，等.基于改進簡化粒子群算法的含DG的配電網(wǎng)無功優(yōu)化[J].華北電力大學學報（自然科學版），2015，42（1）： 39-44.

[7]胡旺，李志蜀.一種更簡化而高效的粒子群優(yōu)化算法[J].軟件學報，2007，18（4）：861-868.

[8]陳偉，項鐵銘，徐捷.基于PSO的隊伍演化算法[J].模式識別與人工智能，2015，28（6）： 521-527.

[9]李威武，王慧，鄒志君，等.基于細菌群體趨藥性的函數(shù)優(yōu)化方法[J].新能源進展，2005， 10（1）： 58-63.