论文部分内容阅读
粒子群优化算法(Particle Swarm Optimizer,PSO)是一种基于群智能方法的优化计算技术。相对于其它进化算法,PSO算法的概念和参数设置都很简单,易于实现,收敛速度快,具有较强的全局搜索能力。但是PSO在搜索过程中,种群容易失去多样性,从而陷入局部极小点。本文主要通过在粒子更新公式中加入扰动项来改进种群多样性从而提高PSO的搜索性能。本文主要工作包括:
(1)提出基于扰动项的混合粒子群优化算法。该算法是在粒子群粒子失去多样性时,通过将在包含粒子群的超球外的随机粒子引入粒子更新公式来对粒子群中的粒子进行干扰,通过外力尽量使粒子群以一定的程度散开,从而增加了粒子群的多样性,扩大了解空间。实验结果表明,该算法一定程度增加了粒子群粒子的多样性,在函数逼近和寻优方面具有很好的性能。
(2)提出基于扰动项和梯度下降的混合粒子群优化算法。该算法将随机搜索与确定搜索结合起来进行搜索。在粒子群粒子失去多样性时,将加入扰动项的随机搜索和加入梯度下降的确定搜索结合起来,从而可以进行更为细致的局部搜索,增加了找到全局最值的可能性。与标准PSO及其经典的改进算法相比,该算法具有更优的搜索性能。