非線性動態(tài)調整慣性權重的粒子群算法.pdf

1、粒子群算法(PSO)是由J Kennedy和R C Eberhart于1995年提出的一種仿生演化算法，是一種智能優(yōu)化算法.該算法因其概念簡單、參數(shù)較少、易于實現(xiàn)等特點，受到研究者的高度重視，被廣泛應用于許多領域.
　　 基本粒子群算法的突出優(yōu)點是早期收斂速度特別快，缺點是局部搜索能力差，使得算法后期收斂速度緩慢，求解精度降低.另外，不同問題的局部與全局搜索能力的比例關系是不同的.
　　 ShiY提出的帶有慣性權重的粒子

2、群算法，在某種程度上解決了局部搜索能力弱的問題.該算法提高了求解精度.目前，設置慣性權重的方法有多種，被廣泛應用的是Shi Y和R C Eberhart提出的線性遞減慣性權重(LDW).但是，帶線性遞減慣性權重的粒子群算法(LDWPSO)也有不足：一，算法的收斂速度低.這是因為它的慣性權重值與粒子無關，從而導致粒子搜索過程的智能性降低；二，需要預測最大迭代次數(shù).但實際上在求解一個問題時，最大迭代次數(shù)往往是難預測的，它既影響算法的慣性權重

3、值，又影響算法的適應性.
　　 本文提出一種非線性動態(tài)調整慣性權重的粒子群算法(NDWPSO)，這種非線性動態(tài)調整使慣性權重與粒子有關，它依粒子的適應值的變化自動地調整其大小，從而使得粒子搜索過程的智能性增加，算法的收斂速度因此有很大的提高.此外，該算法也不需要預測最大迭代次數(shù)，適應性強.
　　 本文對粒子群算法的四個典型函數(shù)進行了仿真實驗，測試結果表明，NDWPSO算法效果很好，搜索結果精度很高，特別是其收斂速度較被廣