求解函數(shù)優(yōu)化的分群粒子群算法研究.pdf

1、連續(xù)優(yōu)化在各行各業(yè)中應(yīng)用廣泛,一直是一個研究熱點。在連續(xù)域中,當(dāng)求解問題的目標(biāo)函數(shù)或其參數(shù)不隨時間變化而變化,則稱為靜態(tài)環(huán)境優(yōu)化,反之則稱為動態(tài)環(huán)境優(yōu)化。解決這類優(yōu)化問題的傳統(tǒng)優(yōu)化方法大都基于梯度信息的數(shù)學(xué)求解,并且要求目標(biāo)函數(shù)連續(xù)且可微。這種計算架構(gòu)帶來了難以克服的局限性,不能廣泛而準(zhǔn)確的實現(xiàn)目標(biāo)函數(shù)的求解。為此,人們嘗試用基于群體智能的啟發(fā)式算法來解決這類問題,其中粒子群優(yōu)化算法(PSO)是模擬自然界生物群體行為的一種仿生智能算法,

2、能夠?qū)Σ淮_定數(shù)據(jù)進行優(yōu)化計算,同時PSO因其思想直觀、實現(xiàn)簡單、可調(diào)參數(shù)少且執(zhí)行效率高等特點已經(jīng)成功應(yīng)用于連續(xù)優(yōu)化問題。但標(biāo)準(zhǔn)的PSO算法在解決連續(xù)域中高維多模態(tài)函數(shù)時存在易陷入局部極小、收斂速度慢等問題。為此,本文提出了一種基于解空間分區(qū)間的分群粒子群優(yōu)化算法,該算法將解空間劃分成若干個子空間,每個空間隨機分配一組粒子,各組粒子在每個子空間內(nèi)進行獨立搜索,從而將多極值問題分解成單極值問題,至少大幅減少了需要尋優(yōu)的極值數(shù)。為了保證每個種

3、群的搜索多樣性和遍歷性,引入混沌序列確定各組粒子的初始位置。實驗表明:該算法求解高維復(fù)雜多模函數(shù)時,精度高,收斂速度快,效果令人滿意。
　　 用標(biāo)準(zhǔn)的PSO算法解決動態(tài)連續(xù)函數(shù)優(yōu)化問題時,因其求解過程是逐步收斂于最優(yōu)解,在進化后期失去了種群的多樣性,不能適應(yīng)環(huán)境的變化。已有的改進算法大多存在計算量大、適應(yīng)能力差等缺點。為此,本文提出了一種新的分組分層動態(tài)粒子群算法?？紤]到尋優(yōu)的目標(biāo)是跟蹤變化的極值點,即最優(yōu)解在全局范圍內(nèi)動態(tài)變化

4、,在分區(qū)分組的基礎(chǔ)上,由各組的最優(yōu)粒子構(gòu)成全局搜索粒子群實施全局搜索,得到的結(jié)果反饋到各組中,指導(dǎo)各組粒子在基層進行局部搜索,由于分區(qū)間的設(shè)定,各組粒子搜索范圍縮小且并行執(zhí)行,大大提高了算法的執(zhí)行效率。同時為了提高算法適應(yīng)動態(tài)環(huán)境的能力,提出了基于各組最優(yōu)粒子自身信息變化的環(huán)境檢測方法以及各組中基于全局最優(yōu)粒子和其他粒子的平均距離的多樣性判斷的環(huán)境響應(yīng)方法,使得算法能夠有選擇的、有方向的更新各組粒子的位置。實驗表明:該算法能夠迅速適應(yīng)環(huán)