随机权重策略提升扩展粒子群优化器性能研究

"研究随机权重策略对扩展粒子群优化器的影响(2008年)" 本文主要探讨了如何改进扩展粒子群优化器（Extended Particle Swarm Optimizer, EPSO）的性能，作者提出了一种新的随机权重分配策略，用于迭代速度更新方程。在该策略中，其中一个权重被指定为[0,1]范围内的随机数，而其他两个权重保持常量配置。这种创新方法的目的是通过引入随机性来增强粒子群优化算法的探索能力和适应性。 粒子群优化（Particle Swarm Optimization, PSO）是一种基于群体智能的全局优化方法，源自对鸟群飞行行为的模拟。在标准PSO中，每个粒子代表可能的解，它们在解空间中移动并根据自身的最优位置（个人极值）和全局最优位置（全局极值）调整速度和位置。然而，传统的PSO可能会陷入局部最优，导致收敛速度慢且搜索效率低。 扩展粒子群优化器（EPSO）是对原始PSO的改进，通常包括更多的动态参数和策略，以应对更复杂的问题。在本研究中，通过将一个权重设置为随机数，EPSO的迭代过程变得更加不确定，这有助于跳出局部最优，提高全局搜索能力。另一方面，保持另外两个权重不变是为了维持一定的稳定性，防止算法过于随机而失去收敛性。 实验结果显示，采用这种随机权重策略的EPSO在成功概率和收敛速度方面优于传统的确定性方法。此外，当与全局最佳邻居相关的权重也被设定为随机数时，EPSO在处理多模态函数优化问题时展现出优秀的性能和鲁棒性。这意味着，即使面对有多个局部最优的复杂问题，该策略也能有效地找到全局最优解。 关键词：粒子群优化、演化计算、随机权重、函数优化 总结来说，这项研究通过引入随机权重策略，增强了EPSO的优化性能，尤其是在处理多模态函数时。这一改进对于解决工程领域和其他需要全局优化问题的场景具有重要意义，因为它提高了算法的搜索效率和解决复杂问题的能力。