![](https://csdnimg.cn/release/download_crawler_static/9211973/bg1.jpg)
第 23 卷 第 11 期
Vol. 23 No. 11
控 制 与 决 策
Control and Decision
2008 年 11 月
Nov. 2008
收稿日期 : 2007209223 ; 修回日期 : 2008201207.
基金项目 : 国家自然科学基金项目
(
60573005 ,60603006
)
; 湖北省高等学校优秀中青年团队计划项目
(
T200803
)
.
作者简介 : 张顶学
(
1975 —
)
,男 ,湖北潜江人 ,讲师 ,博士 ,从事智能控制理论与应用的研究 ; 关治洪
(
1955 —
)
,男 ,
湖北仙桃人 ,教授 ,博士生导师 ,从事复杂网络、非线性系统控制等研究.
文章编号 : 100120920
(
2008
)
1121253205
一种动态改变惯性权重的自适应粒子群算法
张顶学
1
, 关治洪
2
, 刘新芝
2
(
1. 长江大学 石油工程学院 , 湖北 荆州 434203 ; 2. 华中科技大学 控制科学与工程系 , 武汉 430074
)
摘 要 : 针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题 ,提出一种动态改变惯性权重的自适应粒
子群算法. 采用种群中平均粒子相似程度作为种群多样性的测度 ,并用于平衡算法的全局探索和局部开发. 基于对惯
性权重随种群多样性测度变化的动态分析 ,建立了惯性权重随种群多样性测度的变化关系 ,并将其引入该算法中. 最
后对 6 个经典测试函数进行仿真 ,结果表明该算法在平均最优值和成功率上都有所提高 ,特别是对多峰函数效果更
明显.
关键词 : 粒子群算法 ; 惯性权重 ; 自适应 ; 种群多样性
中图分类号 : TP18 文献标识码 : A
Adaptive particle swarm optimization algorithm with dynamically
changing inertia weight
Z HA N G Ding2x ue
1
, GUA N Zhi2hong
2
, L IU X in2z hi
2
(
1. Petroleum Engineering College , Yangtze University , Jingzhou 434203 , China ; 2. Department of Control Science
and Engineering , Huazhong University of Science and Technology , Wuhan 430074 , China. Correspondent : ZHAN G
Ding2xue , E2mail : zdx7773 @126. com
)
Abstract : To overcome the premature caused by standard particle swarm optimization
(
PSO
)
algorithm searching for
the large lost in population diversity , an adaptive PSO with dynamically changing inertia weight is proposed. The
average of similarity of particles in the population as the measure of population diversity is introduced into proposed
algorithm to balance the trade2off between exploration and exploitation. A function relationship between inertia weight
and the measure of population diversity is established by analyzing the dynamically relationship between them , which
is embedded into the algorithm. The simulation results show that the algorithm has better probability of finding global
optimum and mean best value , especially for multimodal function.
Key words : Particle swarm optimization ; Inertia weight ; Adaptive ; Population diversity
1 引 言
粒子群优化
(
PSO
)
算法是一种新的基于群体智
能的优化算法 ,它是在模拟鸟群觅食行为规律的基
础上提出的
[1 ,2 ]
. 由于其结构简单、参数调整简单易
行以及适合计算机编程处理等优点 ,一提出就受到
广泛关注 ,目前已成功应用于函数优化、神经网络训
练及系统控制等领域
[3 ]
.
PSO 算法作为一种随机搜索策略的优化方法 ,
其算法的探索能力较好 ,收敛速度较快 ,但也存在易
陷入局部最优的问题 ,对于复杂问题的开发能力较
弱 ,在后期进化中很难获得更精确的解. 在 PSO 中
可使用惯性权重来改善算法的性能 ,很多学者在这
方面做了工作. 文献[2]提出的随着进化代数的增加
线性减小惯性权重 ,虽然能起到一定作用 ,但在复杂
问题求解时效果不是很明显. [4]提出了用模糊控制
器来自适应改变惯性权重 ,该算法需建立模糊规则 ,
实现比较复杂. [5 ]采用随机惯性权重策略 ,仿真实
验结果表明 ,该方法对于多峰函数能在一定程度上
避免陷入局部最优. [6 ]提出利用进化过程中粒子适
应度的差异来评价种群的早熟收敛程度 ,然后动态
地改变惯性权重 ,仿真结果表明能取得较好的效果.
本文则提出一种基于种群多样性测度动态改变惯性
权重的自适应粒子群算法. 仿真结果表明 ,该算法具
有很强的全局探索和局部开发的能力.