吴 磊, 高桂革

(上海电机学院 电气学院, 上海 201306)

粒子群优化(Particle Swarm Optimization, PSO)算法是由Kennedy和Eberhart受人工生命研究结果的启发,通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法。其基本思想是,首先随机生成初代粒子种群,然后根据粒子间的相互学习对种群进行迭代,最终获得最优目标解。粒子迭代过程中变量的变化最直接的体现即个体位置的变化,此变化主要受到全局最优粒子和个体最优粒子的影响。因此,大部分学者对PSO算法的优化主要可以分为两种:第1种,对粒子的初始种群生成方式进行优化,通过优化初始种群生成方式,在保证其合理性的同时,提升其产生速度[1-4];第2种,对粒子的更新公式进行改进,通过在速度更新公式中加入新的学习目标或者优化权重策略来增强算法的全局探索能力以及收敛精度[5-11]。

针对连续变化目标的多次求解问题,本文提出了一种基于外部邻域位置学习的粒子群(Imitate External Neighborhood Location PSO, IENLPSO)算法。基于连续变化目标的不同状态在时序上的相关性,对同一问题的某状态进行求解时,以该问题上一状态的最优解为学习目标,指导本次求解的初始种群的生成以及迭代,从而加快粒子群收敛的速度;同时,采用递减惯性权重函数,减小学习目标后期的干扰,保证粒子后期能稳定收敛于最优解。

1 PSO算法基本原理

PSO算法基本思路为N个粒子在D维空间中飞行,每个粒子代表一个可能解,并以位置x及速度v对粒子进行描述。……