粒子群优化(PSO)算法是一种基于群智能方法的演化计算技术。但是PSO算法后期存在着搜索精度较低,易发散等缺点。对传统的PSO算法加以改进,讨论了PSO和AFSA的混合算法,最后通过与传统PSO算法及几种常用的改进PSO算法相比较,得出这种PSO和AFSA的混合算法能够有效地提高PSO算法的寻优能力。

第 3卷 1

第 3期

大庆师范学院学报 J OURN AL OF DAQI NG NORMAL UNI RST VE I Y

Vo. No 3 J3l . Ma 2 1 v. 01

2 1年 5月 01

粒子群优化算法改进方法的研究 李媛

(海大学工学院，宁锦州 111)渤辽 20 3

摘

要：粒子群优化( S算法是一种基于群智能方法的演化计算技术。但是 P O算法后期存在着搜索精度较 P O) S

低，易发散等缺点。对传统的 P O算法加以改进， S讨论了 P O和 A S S F A的混合算法，后通过与传统 P O算法及几最 S 种常用的改进 P O算法相比较，出这种 P O和 A S的混合算法能够有效地提高 P O算法的寻优能力。 S得 S FA S 关键词：工智能；子群优化；工鱼群；进方法；优人粒人改寻

作者简介：李媛( 9 l )女，宁锦州人， 18一，辽渤海大学工学院教师，从事智能算法的应用研究。 基金项目：宁省教育厅重点实验室项目：据挖掘方法在重金属污染土壤酶活性中的应用研究 ( 09 0 2。辽数 2 0 S 0 )中图分类号：P 8,P 0.文献标志码：文章编号： 9— 03 2 1 )3 04—3收稿日期： 1— 2 2 T 13 T 316 A 2 5 06 (0 10— 05 0 0 0 2 0 1—6

粒子群优化 ( at l wam t zt n, S算法是由 Eb r at士和 K n e y博士发明的一种基 P ri eS r Opi ai P O) c mi o eh r博 end于群智能方法的演化计算技术，演化计算领域中的一个新的分支，源于鸟群群体运动行为的研究。可是其以假设有这样一个场景：群鸟在某一特定区域内随机搜寻食物，这个区域巾有且只有一块食物，且 一在而

所有的鸟都不知道食物在什么地方，是它们知道当前各自的位置离食物还有多远，但信息可以在鸟群问共 享，们也就知道自己同伴的位置。那么这一群鸟寻找那块食物的最简单有效的方法，是不断地搜寻当它就

前离食物最近的那只鸟的周围区域。在搜索过程中，只鸟可以根据两方面的信息来调整自己的方向和每 速度，是自身经历过的最佳位置；是整个过

程中，鸟所发现的最佳位置。粒子群优化算法就是从这一二群 种模型巾得到启示而产生的。

1基本 P O算法 J S 假设搜索空间是 D维的并且种群中有 m个粒子， i粒子代表了一个 D维的向量第个 …

:(

(= 1 2, T ),第 i粒子在 D维的搜索空间的位置是 X换言之，个粒子的位置是一个潜在的，… n即个，每。) i,… ) = 1 2, m ), i粒子自己搜索到的最 (,…第个

可行解。将带入一个目标函数就可以计算出其适应度，据适应度的大小衡量 的优劣。第 i粒子 根个 “翔”速度也是一个 D维的向量，示为 B飞表= (

优位置记作 P=( P…P,个粒子群迄今为止搜索到的最优位置记作 P= ( P…P P, )整 p, )。 Ke— n n d和 E eh r最早提 I的 P O算法采用下列公式对粒子进行操作： ey b ra t叶 J S i:0 +c d 2× 1×r n× pd~ Xk+c a d ( d ) 2× r n× ( 一 ad P ) () 1

譬 +=

() 2

式中 rn a d是[ 1 0,]上的随机数； C C,为正常数，为加速因子，常 C=C 2;称通。: 0 2称为惯性因子，较 ∞大适于对解空间进行大范围探查 ( x lrt n 较小适于进行小范围开拓 ( x li t n一般情况下， e po ai ), o e p ot i ) ao 表示为： ( …一 t er× t

i r为当前迭代次数，tr.总的迭代次数。 t e i e n为

2现有已改进的 P O算法 S P O算法收敛速度较快，别是在算法的早期，同时算法后期也存在着搜索精度较低，发散等缺 S特但易点。该算法巾，加速因子、大速度等参数太大，子群可能错过最优解，法不收敛，使在收敛的情若最粒算即 4 5