粒子群優(yōu)化算法的性能分析及改進.pdf

1、隨著人們對生命本質(zhì)的不斷了解，生命科學正以前所未有的速度迅猛發(fā)展，使人工智能的研究開始擺脫經(jīng)典邏輯計算的束縛，大膽探索新的非經(jīng)典計算途徑。在這種背景下，社會性動物(如蟻群、蜂群、鳥群等)的自組織行為引起人們的廣泛關(guān)注，許多學者對這種行為進行數(shù)學建模并用計算機對其進行仿真，這就產(chǎn)生了所謂的“群體智能”。社會性動物的妙處在于：個體的行為都很簡單，但當他們一起協(xié)同工作時，卻能夠“突現(xiàn)”出非常復雜(智能)的行為特征。粒子群優(yōu)化算法是起源于對簡單

2、社會系統(tǒng)的模擬，最初是模擬鳥群覓食的過程，是一種基于迭代的優(yōu)化工具。系統(tǒng)初始化為一組隨機解，通過迭代搜尋最優(yōu)值。目前已廣泛應用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡訓練、數(shù)據(jù)挖掘、模糊系統(tǒng)控制以及其他的應用領(lǐng)域。
　　 粒子群優(yōu)化算法在進化初期的收斂速度快，因而也容易陷入局部最優(yōu)。它在進化的后期收斂速度變慢，并且收斂精度低，若加速系數(shù)或者最大速度的參數(shù)過大，則很容易就錯過最優(yōu)解。本文針對該問題進行了研究，包括對粒子群優(yōu)化算法的改進、對欺騙性問題的

3、分析和解決以及對粒子群優(yōu)化算法中的參數(shù)提出了新的選取機制。具體做了以下一些工作：
　　 (1)研究了進化算法和群體智能算法的相關(guān)知識和主要技術(shù)。其中，在群體智能算法中介紹了蟻群算法的基本原理以及它的研究現(xiàn)狀，在進化算法中介紹了遺傳算法，并對進化算法和粒子群優(yōu)化算法進行了闡述和比較，指出他們的共同點與區(qū)別。
　　 (2)針對PSO算法進化初期收斂速度快，容易陷入局部最優(yōu)；在進化的后期收斂速度慢并且收斂精度低的缺陷，同時為了

4、提高粒子群優(yōu)化算法的收斂速度和全局尋優(yōu)能力，提出了基于正交試驗的粒子群優(yōu)化算法OE-PSO。在基本粒子群算法的基礎(chǔ)上，算法OE-PSO對當前搜索到的解進行局部尋優(yōu)，利用正交試驗設計對搜索空間的分布均勻性，在可行解的鄰域選擇有代表性的解進行測試。算法OE-PSO用搜索到的更好的解在下一次迭代中引導粒子進行搜索，從而可獲得更快的收斂速度和質(zhì)量更高的解，同時避免局部最優(yōu)。我們的實驗結(jié)果表明，算法OE-PSO不但具有較快的收斂速度，而且能夠有效

5、地提高解的精確性，增強算法的魯棒性。
　　 (3)給出粒子群優(yōu)化算法欺騙性問題的兩個實例。我們從理論上證明了它們的欺騙性，即證明了在一定的條件下，粒子群優(yōu)化算法(PSO)對這兩個問題都不能收斂到全局最優(yōu)解。我們通過實驗驗證了上述結(jié)論的正確性。我們還給出了針對該問題避免欺騙性的方法，并用實驗結(jié)果驗證了該方法的正確性。
　　 (4)經(jīng)典PSO算法的主要缺點之一是每個粒子在每次更新迭代過程中過多的重復計算過程。在這里，我們提出