一种新的改进粒子群优化算法

2012年04月10日11:43:27 本网站我要评论(2)字号：T | T | T

关键字：

吴昌友，王福林，马　力
东北农业大学工程学院，黑龙江哈尔滨

摘　　　要：在现有文献研究的基础上，首先阐述标准粒子群优化算法的基本原理，并对它加以分析，指出标准粒子群优化算法初始粒子种群的产生速度慢、在优化过程中容易陷入局部较优等缺点，然后对其缺点进行改进，将改进的粒子群优化算法和标准粒子群优化算法进行实验对比分析研究，从实验结果中可知，改进粒子群优化算法在收敛速度及收敛精度上都明显好于标准粒子群优化方法。

关　键　词：粒子群优化算法；变异；收敛速度

１　引　言
粒子群优化算法（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）由Ｋｅｎｎｅｄｙ和Ｅｂｅｒｈａｒｔ于１９９５年提出的一种新的全局优化进化算法，其基本概念源于对鸟类捕食行为的模拟［１２］。与遗传算法和蚁群算法相类似，ＰＳＯ算法也是一种基于群集智能的演化计算技术，作为一种高效的优化方法，该算法近年来已引起了优化及演化计算等领域的学者们的广泛关注［３］。粒子群优化算法与其他的进化算法相比，粒子群优化算法简单通用、调整参数少、容易实现，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，非常适于对复杂环境中的优化问题的求解。虽然粒子群优化算法存在着许多优点，同时也存在着易陷入局部较优，进化后期收敛速度慢，精度较差等缺点［４］。为了克服粒子群优化算法的这些缺点，研究人员提出了许多改进的粒子群算法，如李季等提出的交叉粒子群算法，吕振肃等提出的自适应变异的粒子群优化算法，高鹰等提出的免疫粒子群算法等，这些算法从不同方面对粒子群优化算法进行了改进，不同程度地提高了算法的收敛速度和精度［４９］。本文对标准粒子群算法的缺点进行了改进，提出了一种新的改进粒子群优化算法。并将改进的ＰＳＯ算法与标准ＰＳＯ算法进行实验对比分析，从实验结果上可以看出，改进的ＰＳＯ算法能够取得较好的优化性能，全局收敛性得到显著提高。

登录网站后可下载文件

一种新的改进粒子群优化算法

相关阅读: