《一种新的简化粒子群优化算法》.pdfVIP

广西民族大学学报(自然科学版) oFGuANGxIuNIVERsITYlDRNATIoNALITIEs V01．21No．1 第21卷第1期 JouRNAL scienceEdition) Feb．2015 2015年2月 (Natu髓l 一种新的简化粒子群优化算法。 李晓静 (广西幼儿师范高等专科学校，广西南宁 530022) 摘 要：针对粒子群算法在寻优中存在早熟和收敛精度不高等问题，论文对粒子位置的更新策略以及更 ParticIeswarm 新公式进行改进，提出了一种新的简化粒子群优化算法(NewSimple optimi勰- tion，NsPso)，并将其在15个多极值基准函数进行全局最优化测试，实验结果表明，NsPso算法 收敛的精度大大提高了，而且算法收敛速度也很快，对于高、低雏复杂函数的优化均适用． 关键词：粒子群优化算法；简化公式；群体智能；全局最优 中图分类号：TPl8文献标识码：A 文章编号：1673—8462(2015)01—0083一07 0 引言 swarm 1995年，Kennedy和Eberhart发表研究论文首次提出了粒子群优化算法u。(particleoptimization， PSO)，该算法是通过观察鸟群集体出动捕食的相互协助行为而提出的一种仿生优化算法，该算法收敛速度和 全局优化能力均表现良好．而且该算法与遗传算法相比，算法的参数更少，使用也更简单，因此算法自提出后已 被广泛用于各种工程实践的优化问题．然而，这种随机算法本身的寻优过程均是利用迭代机制进行更新，算法 往往快速收敛到一定程度之后就停滞了，即所谓“早熟”．因此算法对复杂问题的收敛精度不高．针对这个问题， 很多学者对粒子群算法提出了许多改进的方案，如基于逃离局部最优的DPs0比o，去掉了飞行速度项的一种简 化粒子群算法日1，通过释放因子增强可利用的种群信息的改进算法Ho，综合学习的粒子群算法¨。(cLPSO)，以 及其他的改进算法¨川1．这些改进算法都在一定程度提高了算法的收敛精度，但都还没有挖掘出粒子群算法最 大潜力． 群智算法或者仿生算法都存在“早熟”现象，既能抑制算法过早出现“早熟”而又能保证算法的收敛是每种 群智算法的改进目标，要达成这个目标就必须在算法收敛的同时，尽可能的保持算法种群的多样性．为此，笔者 提出一种新的简化粒子群算法，即NSPSo算法．算法对粒子群算法的更新策略和更新公式进行一些改进，使 改进后粒子群算法在迭代优化过程时，一定程度上保持了种群的多样性，同时算法还具有抛弃某些粒子收敛停 滞位置寻找新位置的能力． 1粒子群优化算法 由于PsO优化算法是从鸟群捕食行为的基础上提出的，因此在算法中的一个粒子相当于鸟群中的一只 鸟．而每一只鸟出去捕食均可能找到食物，故每一个粒子(鸟)可以视为待优化问题的一个可能解(食物)，算法 寻优的过程就相当于鸟群寻找食物的过程．该算法搜寻的过程需要通过每个个体的个体极值与种群极值之问 *收稿日期：2014一09—10． 基金项目：广西青年基金项目(2013GXNSFBAol9227)；国家自然科学基金项目． 作者简介：李晓静(1982一)，女，河南许昌人，硕士，广西幼儿师范高等专科学校讲师，研究方向：数据挖掘、应用数学． 83 万方数据 广西民族大学学报I自然科学版) 2015年2月第21卷 的信息分享来改变有哪些信誉好的足球投注网站的路径，算法中粒子的更新公式如下：