復合粒子群算法及其應用研究.pdf

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

2、，比如當解決復雜問題時，原始粒子群算法很容易因為種群多樣性的提早喪失而陷入局部最優(yōu)中。針對這樣的早熟收斂問題，誕生了許多優(yōu)秀的PSO算法變種。這些變種算法都擅長解決復雜問題，可是它們的收斂速度卻相對較低。
　　為了從解的質量和收斂速度兩方面提高原始粒子群算法的性能，本文提出了一種復合粒子群算法(CPSO)，該算法使用了一個“新的學習策略復合輔助搜索機制”的結構，新的學習策略被稱為組合學習策略(combinationlearnin

3、strategy)，該策略將粒子的個體歷史最優(yōu)信息和全局最優(yōu)信息組合為一個學習向量去指引粒子運動，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會獲得全局最優(yōu)解。為了使輔助搜索機制更加有效率并使整個算法更加穩(wěn)定，輔助搜索機制的執(zhí)行概率是由每次迭代后適應度值的改善程度動態(tài)調節(jié)的。
　　隨后本文將復合粒子群算法應用于函數(shù)優(yōu)化問題和車輛路徑問題（VRP）之