樊吕彬,刘亚红,张 玮

(太原理工大学 化学化工学院,太原 030024)

0 概述

粒子群优化(Particle Swarm Optimization,PSO)算法是一种基于种群全局随机搜索策略的智能进化算法[1]。相比于其他智能算法,粒子群优化算法在解决多目标优化、动态寻优等问题上,具有结构简单、易编程实现等特点,被广泛应用于函数优化、资源配置、神经网络训练和路径选择等多个领域。

为提高粒子群优化算法种群在进化后期的多样性,避免寻优过程陷入局部最优,克服早熟收敛,相关学者提出了多种改进方法,按照改进机制的不同主要是在参数设置[2]、学习机制[3]和拓扑结构[4]等3个方面。

相应的改进算法在避免陷入局部最优上取得了较好的效果,但对于加快算法的寻优速度、提高优化效率,则需要考虑研究算法本身的特性进而找到改进策略。比例-积分-微分(Proportional-Integral-Derivative,PID)控制是目前最常用的控制策略,已大量应用于各种控制问题。受PID控制的启发,文献[5]认为PSO是一种有2个输入和1个输出的反馈控制系统,通过在粒子群优化算法中引入加速度项,使算法进化行为呈现三阶系统特性,增加种群产生的多样性;文献[6]针对PIDPSO引入加速度项后可选参数多的问题,为提高算法的计算效率,使参数随着进化代数而变化,提出了一种自适应PID粒子群算法;文献[7]提出了一种增量型PID控制器PSO(IPID-PSO),通过对粒子轨迹特性的分析,经过变换后将粒子群速度更新机制解释为一个增量型PID控制过程。

本文受前人工作的启发,研究种群寻优过程的运行机制,推导出PSO近似于一种比例-积分(Proportional-Integral,PI)控制,而由于其固有积分属性的存在,使算法收敛速度变慢。……