APP下载

基于正态分布衰减惯性权重的粒子群优化算法

2020-03-18徐浩天季伟东孙小晴

深圳大学学报(理工版) 2020年2期

徐浩天,季伟东,孙小晴,罗 强

哈尔滨师范大学计算机科学与信息工程学院,黑龙江哈尔滨 150025

本研究使用改进参数设置方式,提出正态分布衰减惯性权重粒子群优化(normal distribution decay inertial weight particle swarm optimization, NDPSO)算法,针对惯性权重进行改进.NDPSO算法以正态分布曲线进行权重衰减,该正态分布曲线是一种非线性衰减曲线,早期衰减缓慢,中期衰减迅速,后期衰减趋于平缓,且权重衰减步数动态变化.该衰减策略充分利用了惯性权重可以提升传统PSO性能的作用.通过计算机仿真对比PSO、LDWPSO、EXPPSO、CFPSO、GDIWPSO、基于动态加速度系数的粒子群算法(particle swarm optimization based on dynamic acceleration coefficients, PSO-DAC)[18]和LUO[19]提出的惯性权重自适应粒子群算法(inertia weight adaptive particle swarm optimization, 本研究简称PSO-LH)以及NDPSO算法在8个标准测试函数中的收敛速度和收敛精度,证明NDPSO算法综合性能最佳.

1 粒子群优化算法及其改进算法

基本PSO算法中,速度和位移更新公式[1]为

vid(t+1)=ωvid(t)+c1r1[pbest(t)-xid(t)]+

c2r2[gbest(t)-xid(t)]

(1)

xid(t+1)=xid(t)+vid(t+1)

(2)

其中,vid(t+1)和xid(t+1)分别为粒子i在第t+1代的第d维速度和位置;c1和c2为学习率;r1和r2为[0, 1]间均匀分布的随机数; pbest(t)为粒子个体在第t代所得的最优位置信息; gbest(t)为种群在第t代所得的最优位置信息; 惯性权重ω计算式[12]为

(3)

其中,ωmax和ωmin分别为最大和最小加权系数;tmax为最大迭代次数.文献[12]的实验证明该参数能加快算法的收敛速度,且动态变化的ω比固定的ω效果更好,当ω从0.9动态衰减到0.4时性能最佳.

EXPPSO算法[13]中的ω与LDWPSO算法中的ω不同,ω被递减的指数函数e-αE替代,其中,αE为影响移动步长的大小,由当前迭代次数控制,则速度公式修改为

vid(t+1)=e-αEvid(t)+

c1r1[pbest(t)-xid(t)]+

c2r2[gbest(t)-xid(t)]

(4)

由于指数函数的特点,算法前期搜索步长较大,扩大了搜索区域,保证了前期的全局搜……

登录APP查看全文