发刊日期：2011年07月19日 > > 第二版 > 论文内容
一种结合多样性策略的自适应粒子群优化算法 新闻作者：肖丽 发布时间：2011-07-19 查看次数：36
第36卷 第2期
西南 师 范 大 学 学 报 (自然科学版)
2011年4月
Vol.36 No.2
Journal of Southwest China Normal University (Natural Science Edition)
Apr.2011
—5471(2011)02—0094—05
一种结合多样性策略的自适应粒子群优化算法 (注：收稿日期：2010—08—08基金项目：重庆市教委科研项目（KJ081502）．
作者简介：肖 丽（1981—），女，四川金堂人，博士研究生，主要从事神经网络与计算智能．)
肖 丽重庆教育学院 计算机科学系， 重庆 400067
摘要：提出一种结合多样性策略的自适应粒子群优化算法， 该算法在粒子群的全局优化过程中， 使用根据种群搜索状态自适应调整邻域空间的局部搜索算法加强算法的局部搜索能力，并允许非优粒子具有引导种群搜索方向的可能性． 在著名基准函数上的对比实验结果表明， 这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解， 特别在高维多峰函数优化上表现出较强的竞争力．
关 键 词： 粒子群优化；局部搜索； 多样性
中图分类号：TP183
文献标志码：A
现实社会中， 许多问题最后都可以归结成优化问题． 粒子群优化（particle swarm optimization， PSO）是Kennedy和Evberhart受到人工生命研究结果的启发在1995年提出的． 作为一种群体智能算法， PSO具有易理解、 易实现等特点， 目前其应用已经扩展到各种复杂优化问题领域中如工业系统优化、 神经网络、 和工程控制等［1—3］． 但是和大多进化算法相同， PSO存在过早收敛问题， 优化性能受到限制． 如何保持种群的多样性并提高算法的收敛精度和收敛速度， 成为许多研究者关注的热点．
局部搜索算法是基于贪婪思想利用邻域函数进行搜索的， 方法实现简单， 是求解优化问题的有效方法之一． 但是， 由于算法对初始解的依赖性， 局部搜索容易陷入局部极值，而且， 贪婪思想无疑将使它缺失全局优化能力．
本文提出一种结合了多样性策略的自适应粒子群优化算法（adaptive particle swarm optimization with diversity strategy， APSODS）．算法结合了局部搜索方法， 在搜索过程中根据种群的搜索状态和迭代次数自适应地调整局部搜索空间， 同时还引入允许非优粒子引导种群搜索方向的多样性策略， 平衡了算法的集中性和多样性搜索．在一些基准函数优化问题上的实验结果表明， APSODS有效平衡了集中性和多样性搜索， 能获得质量更优的解和更快的收敛速度，表现出了极大的竞争力．
1 粒子群优化算法粒子群算法的原理是模拟鸟群的觅食过程． 在PSO中， 种群表示的是问题潜在解集合，种群中的每一个粒子（particle）即是解空间的一个潜在解． 一个粒子用一组几何位置和速度向量表示． 在搜索过程中，通过粒子间的信息交换， 每个粒子根据自身找到的最优解和所在种群的最优解来决定自己的飞行．
假设搜索空间是一个D维空间， 种群由m个粒子组成． 那么第i个粒子可表示为Xi=(xi1， xi2， …， xiD)， 代表解空间中的一个点； 相应的飞行速度也是一个D维的向量Vi=(vi1， vi2， …， viD)． 使用目标函数计算得到的适应度来衡量粒子位置的优劣． 记第i个粒子目前搜索到的最优位置是Pi=(pi1， pi2， …， piD)， 整个种群目前所找到的最优位置为Pg=(pg1， pg2， …， pgD)． 那么在标准PSO中， 每个粒子按如下公式更新位置［4］：
Vid=w*vid+c1*r
3 实验及结果
本文采用4个著名测试函数优化问题［9—10］来验证APSODS的性能，并与标准PSO（SPSO）［4］、 惯性权重线性下降的PSO（LDWPSO）［5］以及规范的PSO算法（CPSO）［8］进行了对比实验． 为了防止种群初值影响测试结果， 对每个函数实施了200 次实验后取其平均值．所有PSO算法的种群大
