復(fù)合粒子群算法及其應(yīng)用研究.pdf

1、全局優(yōu)化問(wèn)題廣泛存在于科學(xué)、工程和商業(yè)等各種領(lǐng)域，可以被簡(jiǎn)單地描述為一個(gè)D維最小化問(wèn)題。不幸的是，由于實(shí)際應(yīng)用問(wèn)題的復(fù)雜性，許多優(yōu)化問(wèn)題都不能被傳統(tǒng)的解析法所有效地解決，因而產(chǎn)生了許多數(shù)值算法諸如進(jìn)化算法去解決它們。但是這類(lèi)進(jìn)化算法所面臨的最大挑戰(zhàn)是它們?nèi)菀紫萑肽繕?biāo)函數(shù)的局部最優(yōu)中，這種現(xiàn)象尤其在處理高維問(wèn)題或者復(fù)雜的多峰問(wèn)題中愈加多見(jiàn)。粒子群算法就是這類(lèi)數(shù)值算法之一，該算法在很多優(yōu)化問(wèn)題中都有著比較好的效果。但是它同時(shí)也存在著很多缺陷

2、，比如當(dāng)解決復(fù)雜問(wèn)題時(shí)，原始粒子群算法很容易因?yàn)榉N群多樣性的提早喪失而陷入局部最優(yōu)中。針對(duì)這樣的早熟收斂問(wèn)題，誕生了許多優(yōu)秀的PSO算法變種。這些變種算法都擅長(zhǎng)解決復(fù)雜問(wèn)題，可是它們的收斂速度卻相對(duì)較低。
　　為了從解的質(zhì)量和收斂速度兩方面提高原始粒子群算法的性能，本文提出了一種復(fù)合粒子群算法(CPSO)，該算法使用了一個(gè)“新的學(xué)習(xí)策略復(fù)合輔助搜索機(jī)制”的結(jié)構(gòu)，新的學(xué)習(xí)策略被稱為組合學(xué)習(xí)策略(combinationlearnin

3、strategy)，該策略將粒子的個(gè)體歷史最優(yōu)信息和全局最優(yōu)信息組合為一個(gè)學(xué)習(xí)向量去指引粒子運(yùn)動(dòng)，能夠保留原始的搜索信息并且加快算法的收斂速度。輔助搜索機(jī)制屬于一種全局搜索方法，可以大大改變粒子的搜索方向從而使算法能夠有較大機(jī)會(huì)獲得全局最優(yōu)解。為了使輔助搜索機(jī)制更加有效率并使整個(gè)算法更加穩(wěn)定，輔助搜索機(jī)制的執(zhí)行概率是由每次迭代后適應(yīng)度值的改善程度動(dòng)態(tài)調(diào)節(jié)的。
　　隨后本文將復(fù)合粒子群算法應(yīng)用于函數(shù)優(yōu)化問(wèn)題和車(chē)輛路徑問(wèn)題（VRP）之