動(dòng)態(tài)搜索空間策略下的粒子群算法改進(jìn)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(lǐng)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(wù)須重視并嘗試解決的問(wèn)題。本文以粒子群算法為切入點(diǎn)，通過(guò)觀察粒子在搜索過(guò)程中具體空間特性，逐步改進(jìn)并擴(kuò)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(jìn)一步研究和優(yōu)化粒子群算法，在采用非線性學(xué)習(xí)因子的同時(shí)，提出了一種新的牽引策略來(lái)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(guò)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(shí)驗(yàn)需求將各基準(zhǔn)函數(shù)進(jìn)行調(diào)整變換并通過(guò)仿真實(shí)驗(yàn)進(jìn)行尋優(yōu)測(cè)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(jìn)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(wèn)題，

3、提出了一種掛載式的、依賴自適應(yīng)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(chǔ)上對(duì)粒子重新分配初始位置、調(diào)整速度權(quán)值來(lái)提升算法的后期探索能力。實(shí)驗(yàn)表明，在使用相同的權(quán)重和學(xué)習(xí)因子策略時(shí)，比之原粒子群優(yōu)化算法具有較好的表現(xiàn)，在對(duì)量子粒子群算法進(jìn)行嵌入時(shí)依然具有一定效果。該策略可以有效避免早熟問(wèn)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(wù)便是在有限的時(shí)間內(nèi)盡可能的獲得精度更高的解。但由于早熟等常

4、見(jiàn)問(wèn)題，使得一個(gè)精度更高的解需要通過(guò)提供額外的迭代次數(shù)來(lái)取得。為能徹底解決早熟問(wèn)題的同時(shí)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(shí)驗(yàn)和理論證明的基礎(chǔ)上提出了一種逐層演化的改進(jìn)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(yīng)系統(tǒng)，通過(guò)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(huì)信息作為遺傳知識(shí)，指導(dǎo)尋優(yōu)過(guò)程，從而實(shí)現(xiàn)最終解精度的提升、避免早熟問(wèn)題的出現(xiàn)。對(duì)基準(zhǔn)函數(shù)進(jìn)行仿真實(shí)驗(yàn)可以看出該策略在提升算法