吕柏权 张静静 李占培 刘廷章

粒子群优化算法 (Partical swarm optimization,PSO)是由Kennedy等[1]提出的一种基于群体智能的随机优化方法,为改善标准PSO算法在处理复杂多峰搜索问题时的全局寻优能力,学者们对此进行深入地研究和分析,吕强等设计粒子行为相应地改善了算法的寻优能力[2];Wang等提出了用拉丁矩阵设计粒子初始分布[3];Lu等提出了使用控制理论设计粒子群结构的新方法[4].从PSO算法[2−5]不难看出:PSO的目标函数作为评价函数参与调节目标函数变量的过程.从控制理论角度看, PSO算法相当于控制器,而目标函数相当于控制对象,PSO算法解优化问题可以看成控制系统解优化问题.这为PSO算法开辟新的发展空间.一些学者已开始控制系统用于优化问题的研究,Ustundag用简单的模糊逻辑控制器解决单反馈控制系统的一维优化问题[6],Jaewook等用两个阶段方法解决有少数局部极小值的全局优化问题[7],Nader等提出了一类空间分布系统用于解决带线性不等式约束的大型多参数二次规划问题[8].Angelia和Ion用下降方法构造不同的神经网络解决简单的约束优化问题[9−10].但这些方法仍无法应用于复杂的全局最优化问题[11−13].我们知道:对用于优化的控制系统,影响其输出的最重要的因素是控制器和控制对象(目标函数).本文结合PSO算法设计了新模糊控制器,它可以使每个粒子具有不同的规则分布,其模糊规则提高算法的全局搜索能力与局部搜索能力,改善PSO的早熟收敛缺陷;在不影响控制对象全局……