![](https://csdnimg.cn/release/download_crawler_static/18269609/bg1.jpg)
收稿日期:20181014;修回日期:20181123 基金项目:国家自然科学基金面上项目(61772249);国家自然科学基金应急管理项目
(61540056)
作者简介:王永贵(1967),男,内蒙古宁城人,教授,硕士,主要研究方向为大数据、数据库及数据仓库;曲彤彤(1995),女,硕士,主要研究方
向为大数据、智能算法、机器学习(tongtong.qu@foxmail.com);李爽(1994),女,硕士,主要研究方向为大数据.
基于指数衰减惯性权重的分裂粒子群优化算法
王永贵,曲彤彤,李 爽
(辽宁工程技术大学 软件学院,辽宁 葫芦岛 125105)
摘 要:针对粒子群优化算法因种群多样性丧失而陷入局部最优、早熟收敛的问题,提出一种基于指数衰减惯性
权重的分裂粒子群优化算法(EDWDPSO)。首先,采用半均匀初始化种群,使种群以整体均匀、局部随机的方式分
布;其次,引入动态分裂算子,对满足分裂条件的粒子执行分裂操作,增加种群多样性,避免粒子陷入局部最优;最
后,采用指数衰减的惯性权重,平衡粒子全局搜索和局部开发能力。实验结果表明,该算法在前期有较大的搜索空
间,种群多样性增加,后期则强调局部开发,提高收敛精度和优化能力,加快粒子跳脱局部极值逼近全局最优。
关键词:粒子群优化算法;种群多样性;半均匀;分裂;指数衰减惯性权重
中图分类号:TP301.6 文献标志码:A 文章编号:10013695(2020)04013102005
doi:10.19734/j.issn.10013695.2018.10.0734
Disruptionparticleswarmoptimizationalgorithmbasedonexponentialdecayweight
WangYonggui,QuTongtong,LiShuang
(CollegeofSoftware,LiaoningTechnicalUniversity,HuludaoLiaoning125105,China)
Abstract:Toovercomethelocaloptimumandprematureconvergenceduetolossofpopulationdiversityoftheparticleswarm
optimizationalgorithm
,thispaperproposedadisruptionparticleswarm optimizationalgorithm basedonexponentialdecay
weight(EDWDPSO).Firstly,itsemiuniformlyinitializedthepopulationtodistributethepopulationinanoveralluniform,lo
callyrandommanner.Secondly,itintroducedthedynamicsplittingoperatortoperformsplittingoperationsonparticleswhich
satisfyingthesplittingcondition
,increasingthediversityofthepopulationandavoidingtheparticlesfallingintolocaloptimum.
Finally,itusedtheexponentialdecreasinginertiaweighttobalancetheglobalsearchandlocaldevelopmentabilityoftheparti
cles.Theexperimentalresultsshowthatthealgorithmhasalargesearchspaceintheearlystage,andthepopulationdiversity
increases.Inthelaterstage
,emphasizingthelocaldevelopmenttoimprovetheconvergenceprecisionandoptimizationability,
itcanalsoaccelerateparticlesjumpingoutofthelocalextremumandapproximategloblaloptimum.
Keywords: particleswarm optimizationalgorithm; populationdiversity; semiuniform; disruption; exponentialdecay
weight
粒子群优化(particleswarmoptimization,PSO)
[1]
算法是由
Kennedy和 Eberhart于 1995年根据人类社会、鸟类聚集等群体
行为提出的一种群智能算法。PSO算法因其易于实现、调参灵
活、收敛快等特点,一经提出便引起高度关注,并广泛应用于函
数优化
[2,3]
、模式识别
[4,5]
、神经网络训练等领域
[6,7]
。
PSO算法的寻优原理是根据个体与群体经验调整自身状
态,过程中因个体间缺乏联系,种群多样性逐渐丧失,导致算法
易陷入局部极值,全局最优解
[8]
搜索能力弱的问题。为此学
者们提出多种改进措施:文献[
9]为提高种群多样性,提出交
互粒子概念,将种群随机动态划分成多个子种群,并利用环拓
扑结构来进行信息共享;文献[10]利用混沌运动的随机性特
点,将混沌优化和 PSO算法相结合,并采用混沌载波来优化搜
索策略,避免算法陷入局部极值;文献[11]根据粒子历史最佳
位置和距离,确定不同的惯性权重,提高了算法在静态和动态
环境中解的质量和收敛速度;文献[12]将随机因子引入惯性权
重,并采用多次随机初始化,以实现调节惯性权重的自适应性,
提高收敛精度;文献[13]将粒子群优化算法与遗传算法结合,利
用遗传算法中的变异、交叉、选择等操作对算法参数二次优化,
提高算法的收敛速率,使算法具有较强鲁棒性;文献[14]将布谷
鸟算法引入高动态粒子群算法,利用中位数聚类算法对种群进
行动态划分,融合后的算法有效提高了全局搜索能力。
综上所述,粒子群优化算法的改进策略一直在发展和探索
中,但仍存在一些问题。若仅对算法参数改进,速度与位置的
更新呈一定比例,限制粒子全局搜寻,无法避免陷入局部最优;
若与其他算法融合,增加了需人为调控的参数很难达到增加种
群多样性的预想,且计算量大,算法执行效率低。
针对上述问题,本文提出了一种改进的粒子群优化算法:
基于指数衰减惯性权重的分裂粒子群优化算法(
disruptionpar
ticleswarm optimization algorithm based on exponentialdecay
weight
,EDWDPSO)。EDWDPSO主要有以下改进:a)为避免
随机初始化种群带来的无效解,提出半均匀式初始化种群,使
种群既不丧失随机性又能相对均匀地遍布于搜索空间;b)为
扩大粒子的搜索空间,引入分裂算子,分裂满足条件的粒子以
增加种群多样性并提高收敛精度;c)为平衡种群全局搜索与
局部开采能力,采用指数衰减的惯性权重,使算法在优化前期
有较快的收敛速度,提高全局搜索能力,后期则以较小的速率
缓慢更新粒子位置,提高寻优效率和收敛稳定性。
1 基本理论
PSO算法是一种基于群体的随机搜索算法。假设 NP个
粒子组成的种群在
n维空间内展开搜索,每个粒子代表一个候
选解,具有速度与位置两个属性,利用其计算目标函数的适应
第 37卷第 4期
2020年 4月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol37No4
Apr.2020