基于混沌思想的可多步搜索的新型粒子群优化算法
2012-10-14林博艺
林博艺
(泉州信息职业技术学院,福建 泉州 362000)
基于混沌思想的可多步搜索的新型粒子群优化算法
林博艺
(泉州信息职业技术学院,福建 泉州 362000)
针对基本PSO算法在全局优化中收敛精度低和易陷入局部极值的不足,提出一种基于混沌思想的多步搜索的新型的粒子群优化算法(CMPSO).该算法先引入混沌思想对粒子种群进行位置初始化,然后再引入多步搜索,最后引入概率条件的选择性重新初始化.通过与其它三个改进算法比较,结果表明CMPSO算法的有效性.
粒子群优化;多步搜索;混沌
1995年Kennedy博士和Eberhart教授提出粒子群优化(Particle Swarm optimization,PSO)算法[1,2],它是一种基于群体智能(Swarm Intelligence,SI)仿生的优化方法,该算法基本思想是源于对鸟群捕食行为的模拟.由于其原理简洁,参数较少,易于实现等优点,成为继遗传算法后的研究热点之一.其已被广泛的应用于函数优化[3],工程优化[4],参数估计[5-9],电力系统优化[10-14],控制器设计[15-7],机器人路径规划[8]等.
类似于GA,PSO算法也有收敛精度低,早熟等不足[18-20],因此继Kennedy和Eberhart之后有许多改进型PSO算法提出.如:引入惯性权重,加入微分演化或是交叉操作,加入混沌初始化,与其它智能算法混合等,这些算法在增加算法得杂度的前提下,都不同程度的提高算法的性能.但这样做都有悖于算法的初衷:简洁实效.本人在分析基本PSO算法不足的基础上,引入混沌初始化,并将多步式位置更新引入其中,并通过实验来验证我们改进的有效性.
1 PSO简介
一个有N个粒子的种群,在D维空间中进行寻优过程的算法的基本递推公式:……p>