"一种催化粒子群算法及其性能分析 (2016年) - 广东工业大学 孟安波,李专"
本文介绍了一种新的优化算法——催化粒子群算法(Catalytic Particle Swarm Optimization, CPSO),该算法是针对传统粒子群优化算法(Particle Swarm Optimization, PSO)在处理高维和多模态复杂问题时容易陷入局部最优的局限性而提出的。CPSO的核心思想是在保持粒子个体历史最优值(pbests)不变的基础上,结合了改造的PSO、横向交叉和垂直交叉三种搜索策略,以增强全局收敛性和种群多样性。
首先,CPSO算法的种群更新机制是通过这三种搜索算子的交替进行。改造的PSO保留了原PSO的基本框架,但进行了改进,以提高全局搜索能力。横向交叉(Horizontal Cross,HC)引入了CSO(Catalytic Swarm Optimization)的思想,它能够通过交换粒子的部分位置信息,促进种群间的知识传播,从而改善PSO的全局收敛性能。另一方面,垂直交叉(Vertical Cross,VC)操作则有助于保持种群的多样性,防止早熟收敛,它允许粒子在不同维度上进行交叉,以探索更广阔的解决方案空间。
在CPSO中,纵横交叉算法(CSO)起着关键的“催化剂”作用,CSO不仅加速了优化过程,还有效地平衡了全局搜索与局部搜索。每个搜索算子生成的中间解通过贪婪策略转化为占优解pbests,这些占优解随后被用作下一个搜索算子的父代种群,确保了算法的进化方向和优化效率。
为了验证CPSO的有效性,研究人员将其与几种主流的PSO变体在六个典型的benchmark函数上进行了对比仿真。结果显示,CPSO在全局收敛能力和收敛速度方面表现出显著的优势,证明了这种混合策略能够有效避免局部最优,提高优化效果。
关键词涉及的领域包括:纵横交叉算法,横向交叉,纵向交叉,催化剂,粒子群算法,中庸解,占优解。该研究的作者孟安波和李专,分别来自广东工业大学自动化学院,他们的研究领域集中在人工智能在电力系统中的优化和多目标优化。
总结起来,CPSO是一种创新的优化算法,通过结合多种搜索策略和引入CSO的催化作用,提高了PSO算法在处理复杂优化问题时的性能,尤其是在高维和多模态问题上的全局优化能力。这一方法对于实际工程问题的解决,尤其是需要全局优化的场景,具有重要的理论价值和应用前景。