動態(tài)搜索空間策略下的粒子群算法改進及其拓展研究.pdf

1、隨著以粒子群為例的群智能算法在各領域內(nèi)愈發(fā)廣泛的使用，其算法后期早熟以及最終解精度不高等現(xiàn)象成了務須重視并嘗試解決的問題。本文以粒子群算法為切入點，通過觀察粒子在搜索過程中具體空間特性，逐步改進并擴展優(yōu)化策略，最終構(gòu)建出具有一定廣泛適用性的優(yōu)化策略。具體主要包括以下三方面：
　　(1)為進一步研究和優(yōu)化粒子群算法，在采用非線性學習因子的同時，提出了一種新的牽引策略來共同優(yōu)化粒子群算法(Particle Swarm Optimiza

2、tion Algorithm based on Homing HMPSO)。該策略通過使粒子發(fā)生偏移于最優(yōu)解的位移，增加粒子活性，從而提升算法后期的尋優(yōu)能力。依實驗需求將各基準函數(shù)進行調(diào)整變換并通過仿真實驗進行尋優(yōu)測試。結(jié)果表明，在算法后期的尋優(yōu)能力有明顯提升，且具有較好的魯棒性。最后，估算出算法尋優(yōu)結(jié)果精度高于指定閥值精度的概率區(qū)間，證明該策略具有良好可信度。
　　(2)為進一步緩解粒子群優(yōu)化算法在其后期收斂速度慢、早熟等問題，

3、提出了一種掛載式的、依賴自適應閥值和已知全局最優(yōu)解的壓縮搜索空間策略。并在此基礎上對粒子重新分配初始位置、調(diào)整速度權(quán)值來提升算法的后期探索能力。實驗表明，在使用相同的權(quán)重和學習因子策略時，比之原粒子群優(yōu)化算法具有較好的表現(xiàn)，在對量子粒子群算法進行嵌入時依然具有一定效果。該策略可以有效避免早熟問題，提升算法在后期的尋優(yōu)效果，具有較好的魯棒性。
　　(3)群體智能算法的主要任務便是在有限的時間內(nèi)盡可能的獲得精度更高的解。但由于早熟等常

4、見問題，使得一個精度更高的解需要通過提供額外的迭代次數(shù)來取得。為能徹底解決早熟問題的同時保持原算法主體不變且可與現(xiàn)有優(yōu)化理論協(xié)同優(yōu)化，在前期仿真實驗和理論證明的基礎上提出了一種逐層演化的改進策略。利用在原算法中構(gòu)建基于搜索空間壓縮理論的自適應系統(tǒng)，通過逐層的壓縮、選擇、再初始化的操作，以包括壓縮后搜索空間在內(nèi)的社會信息作為遺傳知識，指導尋優(yōu)過程，從而實現(xiàn)最終解精度的提升、避免早熟問題的出現(xiàn)。對基準函數(shù)進行仿真實驗可以看出該策略在提升算法