刘　阳,高兴宝,刘　睿

(陕西师范大学 数学与信息科学学院,西安 710119)



一种混合聚类的粒子群差分进化算法*

刘阳,高兴宝,刘睿

(陕西师范大学 数学与信息科学学院,西安 710119)

摘要：针对差分进化算法在运行后期收敛速度慢和容易陷入局部最优的不足,提出一种混合聚类的粒子群差分进化算法.利用一步K-均值聚类算法改进粒子群优化算法的速度更新,使用线性递减的选择概率将改进后的粒子群算法与差分进化算法相融合,并在一定条件下对种群中部分较差个体进行重置.对9个典型测试函数的数值试验和与其他三种进化算法的比较结果表明：所提算法收敛速度快,寻优能力强并且鲁棒性好.

关键词：K-均值聚类;混合算法;差分进化;粒子群优化;种群重置

进化算法(Evolutionary Algorithms,EA)起源于达尔文生物进化理论,通常指模拟自然界生物进化的全局优化方法[1].由于解决数值优化问题时,进化算法仅需要目标函数值,而不要求其解析性质,因此被广泛应用于科学和工程各种领域[2].

差分进化算法[3](Differential Evolution,DE)和粒子群优化算法[4](Particle Swarm Optimization,PSO)是进化算法的主要分支,在不同的优化问题中表现出很好的性能,且在许多领域均有广泛应用[5-6].作为一种简单而有效的随机搜索算法,DE算法结构简单,探索能力强,但由于其基向量选取的随机性,使算法收敛较慢.而作为模仿鸟类觅食行为的群体智能算法,PSO算法具有易于应用,控制参数少和收敛速度快的优点,但在算法后期容易陷入局部……