[发明专利]基于历史经验和实时调整相结合的粒子群优化算法

说明书

技术领域

本发明属于智能算法领域，提出了在速度更新过程中考虑曾经的不好经验， 并充分利用每个粒子的个体最优信息，同时采用每个粒子的适应度值自适应地实 时调整每个粒子的惯性权重，以致能够有效加快全局收敛速度和提高全局优化精 度。

背景技术

Eberhart和Kennedy通过研究鸟群和鱼群的捕食行为而提出了一种基于随 机群体的新型智能优化方法—粒子群优化算法(ParticleSwarm Optimization,PSO)。该算法根据群体中粒子的个体性和社会性有机结合所产生 的群智能性来指导优化搜索。PSO算法具有建模简单、容易描述和实现、收敛速 度快、全局搜索能力较强﹑待调整参数少等优点，因而在许多领域得到广泛应用。 但是作为一种新型的智能优化算法，PSO算法在优化一些高维复杂问题时容易陷 入局部最优的困境，难以寻找到最优位置。

针对PSO算法的缺点，目前已有很多研究者对其进行了各种改进。文献《基 于自适应策略的改进粒子群算法》改进粒子群算法在每次种群进行迭代时，根据 每个粒子的适应度值自适应地改变每个粒子的速度权重，动态调整每个种群粒子 的活性，提高了算法的全局寻优能力和收敛能力，但只对惯性权重进行改进，效 果很有限。文献《筛选和记忆相结合的粒子群算法》在速度更新过程中引入最差 粒子，避免粒子重复搜索曾经找到的最差位置，以提高算法的搜索效率，但没有 更充分的利用粒子好的经验。文献《基于改进型粒子群算法的有源噪声控制》充 分利用粒子个体最优信息，并动态改变其惯性权重，从而增强了种群的多样性， 提高了算法的收敛速度和全局优化能力，但是权重改进自适应性不强，也没有充 分利用好粒子的有效信息。

为了更好的提高PSO算法的收敛速度和寻优精度，本发明在速度更新过程中 汲取曾经的不好经验，避免粒子重复搜索曾经找到的最差位置，提高粒子全局搜 索效率，同时采用所有粒子个体最优值的平均值替代速度更新公式中某个粒子的 个体最优值，增加粒子多样性，加强粒子间的信息交流和合作，有利于算法迭代 中后期跳出局部最优。根据每个粒子的适应度值自适应地动态改变每个粒子的惯 性权重，在大小平均适应度之间二次递减的改变惯性权重，这样可以更好的基于 每个粒子自身的实际情况选择惯性权重大小，使粒子在优化的过程中更好的平衡 好全局和局部搜索能力。本文对各关键方面同时进行最优改进，以达到加快全局 收敛速度和提高全局优化精度的目的。

发明内容

针对标准粒子群优化算法(PSO)优化高维复杂函数时易出现局部最优的缺 陷，提出了基于历史经验和实时调整相结合的粒子群优化算法。在速度更新过程 中考虑曾经的不好经验，避免粒子重复搜索曾经找到的最差位置，并充分利用每 个粒子的个体最优信息，以提高算法的搜索能力。利用每个粒子的适应度值自适 应地改变每个粒子的惯性权重，实时有效的调整全局和局部的搜索能力。用本算 法优化4个标准测试函数，与其他3种算法相比，以验证本算法更优的优化效果。

具体实施方式

本发明包括以下步骤：

1﹑基本的粒子群优化算法。

粒子群优化算法在可行解空间初始化时产生一组随机解，并通过迭代搜寻最 优值。分别用一个矢量来描述粒子在解空间的位置和速度，假设D维搜索空间中 第i个粒子的速度和位置分别表示为V_i＝(v_i1,v_i2,...,v_iD)和X_i＝(x_i1,x_i2,...,x_iD)。每个粒 子都有一个由适应度函数决定的适应度值，将该粒子到目前为止找到的最优位置 称为个体最优位置，表示为P_i＝(p_i1,p_i2,...,p_iD)，并将整个群体到目前为止找到的最 优位置称为全局最优位置，表示为P_g＝(p_g1,p_g2,...,p_gD)。在每一次迭代中，粒子通 过学习借鉴两个最佳位置来更新自己的位置，直至达到迭代次数上限或满足精度 要求。

在基本的粒子群优化算法中，粒子根据以下公式更新自己的速度和位置：