论文部分内容阅读
作为一种群智能进化算法,粒子群优化(PSO)算法具有容易实现、对适应度函数要求宽泛以及全局搜索能力较好等优点,它已经广泛应用在现代科学与工程等领域。
但是,PSO容易因失去种群多样性而陷入局部极优从而降低其搜索性能。这主要是因为作为一种随机搜索算法,PSO中粒子的搜索方向具有一定的盲目性。然而,基于梯度信息的搜索算法不但能够保证局部收敛,还具有很高确定性。因此,本文将基于梯度信息的搜索方法与随机粒子群优化结合起来提高种群的搜索能力,提出了两类混合粒子群优化算法,这些混合算法能够在保证有效的搜索空间的同时提高搜索速度和精度。本文主要工作如下:
1)提出了一种基于最速下降搜索的调节种群多样性的粒子群算法。该算法在进化过程中,如果种群多样性大于预设的阈值则按照APSO的机制进化,否则全局最优点排斥其他粒子使粒子群散开以保持种群多样性,并同时利用粒子的梯度信息搜索潜在的全局最优点。实验结果表明,相对于基本PSO及其相关改进,改进的算法在收敛精度、收敛稳定性上有了明显的提高。
2)在吸引排斥PSO(ARPSO)中引入基于梯度信息的确定性搜索,提出了两个混合算法。这两个混合算法分别将沿梯度下降方向和拟牛顿方向做线性搜索引入ARPSO。此类算法利用吸引排斥机制保证种群多样性避免陷入局部极小点,同时利用确定性搜索获取有效解。文中从理论上分析了此类混合粒子群算法能够以更高的概率收敛于全局最优点。实验结果表明,这两个改进算法的收敛精度也明显优于基本PSO及其相关改进。