带全局判据的改进量子粒子群优化算法
2018-09-27徐珊珊金玉华张庆兵
徐珊珊, 金玉华, 张庆兵
(中国航天科工防御技术研究院, 北京 100854)
0 引 言
工程优化问题通常具有优化参数较多、非线性较强和同时存在多个局部最优解的特点。因此,优化算法需要在较短时间内,促使多个优化参数同时收敛到全局最优位置,以增大得到全局最优解的概率。近年来,研究人员已针对该问题开展了大量研究。
粒子群优化(particle swarm optimization,PSO)算法是由Eberhart和Kennedy等人于1995年提出的基于种群并行全局优化算法。其源于对鸟群群体协作的捕食行为模拟,通过种群间个体的协作,引导整个群体向可能解的方向移动[1-3]。与其他全局优化算法相比,PSO算法具有程序简单,多维并行优化,优化速度较快的优点,已获得广泛的应用[4-6]。但其也具有一定局限,比如容易局部收敛、收敛速度较慢等。文献[7-8]等综合前人工作[9-10],将粒子速度或位置小概率随机变异与自适应逃逸策略相结合,提出了全局搜索性能较优的改进PSO算法,并将其运用在气动力计算、高超声速飞行器设计等方面。但这些算法收敛速度较慢,导致迭代步数较多(文献[7]为2 000步),计算成本大大增加。
为增大粒子搜索范围,文献[11]从量子力学的角度出发,认为种群中的粒子具有量子行为,在某种吸引势能场的作用下会以一定的概率密度出现在设计空间的任意一点,因此提出了优化时间仅为PSO算法1/3的量子PSO(quantum-behaved particle swarm optimization,QPSO)算法。QPSO算法具有鲁棒性强,计算速度快的优势,已运用在2D火焰温度测量[12]、超光谱图像端元提取[13-14]、正电子发射断层显像建模[15]、脑电图信号分类[16]、经济调度[17]等领域,并发展到多目标优化[18-19]和动态优化[20-23]方向。……
