基于迭代優(yōu)化度與直線搜索的改進粒子群算法

1、基于迭代優(yōu)化度與直線搜索的改進粒子群算法摘要：現(xiàn)有粒子群算法無論是在算法運行的前期還是后期，現(xiàn)有的改進方法都是以適應(yīng)度值來作為評價粒子優(yōu)劣的唯一標(biāo)準(zhǔn)，本文根據(jù)挖掘有潛力粒子的思想，提出迭代優(yōu)化度概念來刻畫粒子的潛力，并對于潛力較大的粒子采用直線搜索的策略來進展搜索，這樣就防止所有的粒子均參考適應(yīng)度值優(yōu)秀的粒子運動，進步了算法效率，保持了潛力大的粒子的獨立性。將改進粒子群算法用2個經(jīng)典的檢驗函數(shù)進展比照檢驗，結(jié)果說明提出的改進粒子群算法能大幅度增強擺脫局部最優(yōu)解的才能，有效地改善尋優(yōu)性能。關(guān)鍵詞：PSO算法；改進PSO算法1.引言現(xiàn)有的改進方式主要有改進算法參數(shù)、改進搜索方式和改進搜索領(lǐng)域的拓?fù)?/p>

2、構(gòu)造4，然而到目前為止同時兼顧收斂速度和跳出局部最優(yōu)解的才能是很難的。比方，文獻(xiàn)3把重心放在防止陷入局部最優(yōu)解的問題上，卻帶來了收斂速度的變緩。2002年Clerc5等引入了收縮因子，提出了一種自適應(yīng)PSO算法，到目前為止參數(shù)的自適應(yīng)策略都是以種群迭代次數(shù)為參考變量的。2021年何茜6提出一種刪除機制，對于長期不更新的粒子，直接刪除。2.粒子群算法簡介2.1粒子群優(yōu)化算法3.粒子群優(yōu)化算法的改進3.1迭代優(yōu)化度與直線搜索現(xiàn)有的改進方法均采用將適應(yīng)度值好壞作為評價粒子優(yōu)劣的唯一標(biāo)準(zhǔn)，對于適應(yīng)度值暫時不優(yōu)秀的粒子，強迫性地讓其以暫時優(yōu)秀的粒子為中心運動，這樣不僅會讓種群失去多樣性，而且還會造成潛在

3、的優(yōu)秀粒子被忽略。因此，在粒子群算法中，應(yīng)該給予那些進步程度大的潛在優(yōu)秀粒子獨立開展的空間，這樣就有更大的可能發(fā)現(xiàn)更優(yōu)秀的粒子?，F(xiàn)有的改進方法無一例外都存在一個嚴(yán)重的問題，那就是將適應(yīng)度值好壞作為評價粒子優(yōu)劣的唯一標(biāo)準(zhǔn)，對于那些適應(yīng)度值暫時不優(yōu)秀的粒子，很粗暴地讓它們以暫時優(yōu)秀的粒子為中心運動，這樣不僅會讓種群失去多樣性，而且還會失去很多尋找到更加優(yōu)秀粒子的時機。基于以上的分析，本文提出迭代優(yōu)化度的概念來刻畫粒子的進步程度，對于求最小值的優(yōu)化問題，定義如下：D_betteri，t=fiti，t-1-fiti，tfiti，t-1×100%4其中，i表示粒子的編號，t表示迭代種群迭代次數(shù)

4、，fiti，t適應(yīng)度值，D_betteri，t迭代優(yōu)化度。最后，考慮對于迭代優(yōu)化度較大的粒子的獨立搜索，但是考慮到算法的復(fù)雜度，必須提出一種簡單有效的搜索方式。在此，本文提出了直線搜索的策略，對于迭代優(yōu)化度排名靠前的粒子進展沿著原來速度所對應(yīng)方向的直線搜索，在直線上有序取點進展搜索。4.性能測試分析為了測試算法的性能，選擇2個標(biāo)準(zhǔn)的測試函數(shù)用于優(yōu)化實驗，2個函數(shù)的函數(shù)表達(dá)式、搜索空間、理論全局最小是入表1所示。表1標(biāo)準(zhǔn)的測試函數(shù)函數(shù)函數(shù)表達(dá)式搜索空間最優(yōu)解通過比較測試函數(shù)的平均適應(yīng)度值、方差適應(yīng)度值、最優(yōu)適應(yīng)度值和最差適應(yīng)度值的方式對三種算法進展評價，其中平均適應(yīng)度值和方差適應(yīng)度值用于評價算法的尋優(yōu)精度和魯棒性。下面將通過與文獻(xiàn)22中所提出的引入刪除機制的粒子群算法作比照，來說明本文引入迭代優(yōu)化度與線性搜索策略的粒子群算法的性能。表2測試函數(shù)的仿真結(jié)果比較函數(shù)算法平均值方差最優(yōu)值最差值f1改進PSO2.242e-033.7259e-072.242e