文档介绍:1
基于连续空间的粒子群算法研究综述
刘蓉
(华南理工大学理学院,广东,广州,510640)
摘要:粒子群算法是一类基于群体智能的启发式全局优化技术。通过粒子搜寻自身的个体最好解和整个粒
子群的全局最优解来更新完成优化。该算法空间搜索时,每代粒子的飞行时间恒为1,有时会导致粒子在最优解的附近来回“振荡”现象[10]。自适应调整飞行时间法动态调整飞行时间,随着迭代代数的增加,飞行时间线性减少。具体调整公式如式(1-6)、(1-7)所示。
zk+1=zk+vkT(1-6)
idididk
T=T(1-k)(1-7)
k00iter
max
式中,T表示第k代粒子的飞行时间;T表k0示粒子最长飞行时间;k为比例系数,起调节作0用。
自适应调整飞行时间法适用于复杂函数,最
优值处在狭长或陡峭的山峰上。但是对于简单函数后期收敛速度较慢。
Angelina11〕将选择算子引入粒子群算法中,
选择每次迭代后较好的粒子复制到下一代,以保证每次迭代的粒子群都具有良好的性能,这种算法对某些单峰函数效果良好。
Lvbjerg[12]在粒子群每次迭代后,按几率在粒
子间交换各维,通过交叉来生成更优秀的粒子群算法对某些多峰函数效果较好。
Higash[13]等人分别提出了自己的变异粒子群
算法,基本思路均是希望通过引入变异算子跳出局部极值点的吸引,从而提高算法的全局搜索能力,得到较高的搜索成功率。
高鹰等人则引入免疫机制的概念,提高粒子群的多样性和自我调节能力,以增强粒子的全局搜索能力。
Baskar等人提出了协同粒子群算法,通过使
用多群粒子分别优化问题的不同维来对基本算法进行改进尝试。
另外,还出现了一些量子粒子群算法、基于模拟退火的粒子群算法以及求解几何约束问题的粒子群算法等。
以上改进算法各有优缺点,它们引入了一些新的参数,在改进算法性能的同时也一定程度上增加了算法的复杂性。
2结论
粒子群算法没有遗传算法和模拟退火算法成熟,在对复杂连续函数的优化上仍存在许多问题。
(1)对某些具有狭长的山峰的函数,很难求到其最优解。有效求解较复杂的函数,将大大促进粒子群算法的发展和应用。
(2)对具有很多最优点的函数,无法求出其所有极值点,只能求出部分极值点。如何取得所有的最优点,是函数优化的一大难题。
3
刘蓉:基于连续空间的粒子群算法研究综述
5
(3)参数选择依赖于具体函数。对于不同的函数,要选取不同的参数。如何选择和设计参数,使其减少对函数的依赖,提高算法的兼容性值得研究。
可以预言,随着粒子群算法的深入研究和应用领域的拓展,粒子群算法不仅可以为函数优化研究工作带来更多的方便,而且给更多的实际应用带来新思路、新前景。
刘蓉:基于连续空间的粒子群算法研究综述
5
参考文献
[1]KennedyJ,
ConferenceonNeuralNetworks,Piscataway:IEEE
ServiceCenter,1995,1942-1948.