宋继红

(长春大学 电子信息工程学院，长春 130022)

1 粒子群算法概述

粒子群优化算法(PSO)中是，Kennedy和Eberhait提出的一种基于群体智能的演化计算技术，它初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pbest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest。它没有遗传算法用的交叉(crossover)以及变异(mutation)，而是粒子在解空间追随最优的粒子进行搜索。

在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置:

V是粒子的速度，pbest和gbest如前定义，rand是介于(0，1)之间的随机数，c1，c2是学习因子，通常c1=c2=2。每一位粒子的速度都会被限制为不高于一个最大速度Vmax，如果某一位更新后的速度超过用户设定的Vmax，那么这一位的速度就被限定为Vmax。

在标准PSO算法中，惯性权重是控制历史速度对当前速度的影响程度，平衡PSO算法的全局搜素和局部搜索能力。当w较大时，算法具有较强的全局搜索能力;当w较小时，算法的局部搜索能力强，而且PSO算法后期粒子容易在全局最优解附近出现震荡现象，我们通常需要反复试验才能确定w最大值wmax，Wmin和最大迭代次数。而且找到适应每个问题的最佳值也比较困难，所以有必要对更新的位置作一定的限制，限制的思路多种多样，既可以采用速度限制的方法，也可以采用模拟退火思想的方法，本文将模拟退火思想运用到粒子群算法中去，以解决局部最优和速度收敛缓慢的问题。

2 模拟火退算法概述

模拟退火算法的基本思想是从一给定解开始的，从邻域中随机产生另一个解，接受准则允许目标函数在有限范围内变坏，以一定概率接受新的解。

退火温度是跳出局部极值的关键参数，退火温度直接影响接受准则，因此退火温度一定要选好初值。当算法接近收敛时，局部最大适应值和个体适应值之比逐渐减少并趋向于1，退火温度t随之逐渐接近0。这样，在全局最优解附近的温度下降速率足够慢，接受恶化解概率也逐渐减少，所以粒子群定会形成最低能量的基态。

3 粒子群算法的优化策略

基于这种思想进行了两种方法的改进:

方法1:按(2)式计算新的位置，计算两个位置所引起的适应值的变化量△E;若△E≤0，接受新值，否则若exp(－△E/T)＞rand(0，1)，也接受新值，否则就拒绝，xk+1仍为xk具体步骤如下:

1)对每个粒子初始化，设定粒子数n，随机产生n个初始解或给出n个初始解，随机产生n个初始速度，给定起止“温度”T、T0和退火速度α;

2)根据当前位置和速度产生这个粒子的新位置;

While(迭代次数＜规定迭代次数)do

3)计算每个粒子新位置的适应值;若粒子的适应值优于原来的个体极值pbest，设置当前适应值为pbest;

4)根据各个粒子的个体极值pbest找出全局极值gbest;

5)按(1)式，更新自己的速度，并把它限制在Vmax内;

6)按(2)式，更新当前的位置;

7)计算两个位置所引起的适应值的变化量△E;△E≤0，接受新值，否则若exp(－△E/T)＞rand(0，1)，也接受新值，否则就拒绝，xk+1仍为xk;

8)若接受新值，降温T←αT，否则不降温。

End

方法2:接受准则允许目标函数有限范围内变坏，并不按概率取舍，直接按△E＜e，e为按允许目标函数变坏范围，具体算法如下:

1)对每个粒子初始化，设定粒子数n，随机产生n个初始解或给出n个初始解，随机产生n个初始速度;

2)根据当前位置和速度产生这个粒子的新位置;

While(迭代次数＜规定迭代次数)do

3)计算每个粒子新位置的适应值;

4)对某个粒子，若粒子的适应值优于原来的个体极值pbest，设置当前适应值为pbest;

5)根据各个粒子的个体极值pbest找出全局极值gbest;

6)按(1)式，更新自己的速度，并把它限制在Vmax内;

7)按(2)式，更新当前的位置;

8)计算两个位置所引起的适应值的变化量△E;若△E ＜e，接受新值，否则就拒绝，xk+1仍为xk。End

4 数值模拟

分别选用上文中的方法1，方法2和原始PSO算法对下面两个标准测试函数进行计算，并对其结果进行分析。

参数设置如下:在基本的粒子群算法中，粒子数n=40，Vmax=1，Vmin=－1，初始速度都为0。

方法1的参数与基本粒子群算法相同，起始温度T=100，退火温度α=0.99。

方法2的参数与基本粒子群算法相同，xmax=10，xmin=－10;e=1。

由于此函数较复杂，因此将循环次数设为30次，测试结果如表1所示。

表1 三种策略对F2的测试结果

由于这个函数的特殊性参数设置如下:Vmax=0.3，Vmin=－0.3;xmax=2，xmin=－2;允许的最大适应值为9.999;初始温度T=100，退火温度α=0.99，e=1;一个循环内最大迭代次数为5000，各种策略循环1000次的结果如表2所示。

表2 三种策略对F3的测试结果

仍然针对函数F3，现在我们想比较一下各种方法的收敛快慢，我们跟踪粒子的每次迭代的位置，每隔5ms纪录一次粒子的位置，三种算法都只运行一次的详细跟踪图如图1所示。

图1 三种算法的收敛图

从表1中我们可以看出，方法1和方法2的总运行时间和总迭代次数都少于原始的粒子群算法。但在表2中方法2的总运行时间却比原始粒子群算法的总运行时间长。原始的粒子群算法迭代了不到60次最先停止，方法2迭代了接近100次最后停止。出现这种情况的原因在于方法1和方法2在一定程度上接受了恶化解，而基本粒子群算法不接受恶化解，因此基本粒子群算法的运行时间快。但是这种快是有一定的前提的，那就是算法一定收敛到最优解，而不是局部最优。

对于表2中的粒子群算法，我们为了让其收敛也把X限定了范围这种思想正是本文方法1算法的思想，现在我们把粒子群算法中的X范围扩大到，我们把循环次数降低到20次得到表3。

表3 不同的x范围的粒子群算法运行结果

续表

再把表3细化，当xmax=5，xmin=－5时基本粒子群算法程序运行详细结果，我们可以看出第三次和第四次循环程序迭代次数为5000次，而5000正是我们程序所规定的最大迭代次数，最优值分别为9.311330和9.102719，这说明第三次和第四次循环基本粒子群算法陷入了局部最优。当xmax=10，xmin=－10时，程序的20次循环中的18次都陷入了局部最优。经过上述的测试和分析，本文的两种改进策略都能在一定程度上避免陷入局部最优，并且在大多数情况下其运行时间和迭代次数比原始粒子群算法少。

5 结语

通过本文的测试结果，并加以分析，我们可以得出如下结论:

方法1算法和方法2算法都能在一定程度上有效的避免了陷入局部最优，这也是本文最重要的结论;当三种算法都收敛时，用他们来计算同一函数并循环n次(n很大)，绝大多数情况下方法2算法的迭代次数最少，然后是方法2算法，最后是基本粒子群算法;而总运行时间则是方法2算法最少，然后是方法21算法，最后是基本粒子群算法;方法2算法的总运行时间和迭代次数随x范围的增大而增大并且这种增大的趋势越来越迅速。

［1］Kennedy J，Eberhart R.Particle Swarm Optimization［J］.In:IEEE Int1 Conf on Neural Network，Perth，Australia，1995:1942 －1948.

［2］白莉媛，胡声艳，刘素华.一种基于模拟退火和遗传算法的模糊聚类方法［J］.计算机工程与应用，2005(9):56－58.

［3］谢晓峰，张文俊，杨之廉.微粒子群算法综述［J］.控制与决策，2003(2):129－134.

［4］Clerc M，The Swarm and the Queen:Towards a Deterministic and Adaptive Particle Swarm Optimization，In:Proc of the C t R，A modified particle swarm optimizer［J］.In:IEEE World Congress on Computational Intelligence，1999:1951 － 1957.