段玉紅

【摘 要】本文給出構(gòu)造了一種根據(jù)適度聚度和空間位置聚度自適應(yīng)動態(tài)調(diào)整的慣性權(quán)重，并在算法中對全局最優(yōu)解進行變異。數(shù)值實驗證明改進后的粒子群算法的性能優(yōu)于帶線性遞減權(quán)重的粒子群算法。

【關(guān)鍵詞】粒子群優(yōu)化算法；慣性權(quán)重；變異

中圖分類號：TP 18 文獻標識碼： A 文章編號： 2095-2457（2018）31-0076-002

DOI：10.19694/j.cnki.issn2095-2457.2018.31.035

【Abstract】The paper constructs an adaptive inertia weight by fitness value aggregation degree and space position aggregation degree so as to produce dynamically changing inertia weight，at the same takes mutation strategy to global optimization. It is shown by tested with well-known benchmark functions that improved algorithm is better than PSO algorithms with linearly decreasing weight.

【Key words】Particle swarm optimization algorithm； Inertia weight； Mutation

0 引言

粒子群優(yōu)化（PSO）算法是由Kennedy和Eber-hart于1995年提出的群智能的優(yōu)化算法[1]。PSO算法已應(yīng)用于多個科學(xué)和工程領(lǐng)域[2-3]。為了克服粒子早熟缺點，文獻[5-7]提出了改進。本文構(gòu)造根據(jù)適應(yīng)度聚度和空間位置聚度調(diào)整的動態(tài)慣性權(quán)重，并對全局最優(yōu)解進行變異，克服早熟缺點，通過仿數(shù)值實驗證明了改進的粒子群算法的有效性。

慣性權(quán)重w應(yīng)隨著適應(yīng)度聚度s變大而變大，隨著空間位置聚度h變小而變大，它可如下表示：

w=wini+sws-hwh（6）

wini是初始w，ws和wh是連續(xù)的。

2.3 新的改進粒子群算法描述

基于上述討論，提出新的改進算法，簡稱DMPSO，其步驟如下：

步驟1：初始化位置xi=（xi1，xi2，…，xin）和速度vi=（vi1，vi2，…vin），計算適應(yīng)值。

步驟2：初始化Pg=（pg1，pg2，…，pgn）和Pi（pi1，pi2，…，pin）。

步驟3：如果最大迭代次數(shù)，轉(zhuǎn)步驟7，否則轉(zhuǎn)步驟4。

步驟4：按式（1）和式（2）更新粒子速度和位置，更新全局最優(yōu)值和個體最優(yōu)值。

步驟5：根據(jù)（4）、（5）、（6）計算h，s，w，根據(jù)（7）計算σ2，按（8）變異。

步驟6：置t=t+1，轉(zhuǎn)步驟3。

步驟7：輸出全局最優(yōu)值和它的適應(yīng)值

3 數(shù)值試驗

采用表1的函數(shù)來測試DMPSO、LDW-PSO算法性能，選取wh=0.4，ws=0.2，粒子數(shù)為30，c1=c2=1.7。對每個函數(shù)算法各運行50次，結(jié)果取平均最優(yōu)適應(yīng)值，具體結(jié)果比較見表2-表5

4 結(jié)論

構(gòu)造根據(jù)適應(yīng)度聚度和空間位置聚度動態(tài)改變的慣性權(quán)重，并根據(jù)適應(yīng)度方差對全局最優(yōu)解進行變異策略，從而改進了粒子群優(yōu)化算法過早收斂的問題。通過典型的數(shù)值試驗表明本文提出的帶有基于適應(yīng)度聚度和空間位置聚度動態(tài)改變的慣性權(quán)重和全局最優(yōu)值變異的粒子群優(yōu)化算法（DMPSO）優(yōu)越于帶線性權(quán)重的粒子群算法（LDW-PSO）。

【參考文獻】

[1]Eberhart R C ，Shi Y H. Particle swarm optimization： developments ，applications and resources[A].pro-ceedings of the IEEE Congress on Evolutionary Computation[C].Piscataway， USA： IEEE Service Center，2001，81-86.

[2]謝曉峰，張文俊，楊之廉.粒子群算法綜述[M].控制與決策.2003，18（2）：129-134.

[3]夏桂梅，曾建湖.粒子群算法的研究現(xiàn)狀及發(fā)展趨勢 [J].山西師范大學(xué)學(xué)報.2005，19（1）：23-25.

[4]Shi Y，Eberhart R. Empirical study of particle swarm optimization[C].International Conference on Evolutionary Computation[C].Washington， USA：IEEE， 1999，1945-1950.

[5]Robinson J， Sinton S， Rahmat-Samii Y. Particle swarm， genetic algorithm， and their hydirds： optimization of a profiled corrygated horn antenna[C]， IEEE Antennas and Propagation Society International Symposium and URSI National Radio Science Meeting， San Antonio， TX 2002.

[6]李愛國.多協(xié)同粒子群優(yōu)化算法[J].復(fù)旦大學(xué)學(xué)報，2004，43（5）：923-925.

[7]呂振肅，侯志榮.自適應(yīng)變異的粒子群優(yōu)化算法[J]. 電子學(xué)報，2004，.32（3）：416-420.

[8]Yu Peng， Xiyuan Peng， Zhaoqing Liu. Statistic analysis on parameter efficiency of particle swarm optimization [C].Electronics transaction.2004，（33）：513-517.

[9]王棟棟，宋余慶，劉哲改.進進粒子群算法與多分辨率結(jié)合的醫(yī)學(xué)圖像配準[J].小型微型計算機系統(tǒng).2017，38（11）：2610-2614.