粒子群算法(Particle Swarm Optimization,PSO)的性能極大地依賴于其慣性權重參數(shù)的選擇策略。當在一次迭代中更新粒子速度時,PSO忽略了粒子間的差異,在所有粒子上應用了相同的慣性權重。針對這一問題,提出一種自適應慣性權重的粒子群算法PSO-AIWA,有效合理地均衡PSO的全局搜索和局部搜索能力。根據(jù)當前粒子與全局最優(yōu)粒子間的差異,算法可以通過基于粒子間距的隸屬度函數(shù)動態(tài)調整粒子的慣性權重,使得每次迭代中,粒子可以根據(jù)當前狀態(tài)在每個維度上的搜索空間內選擇合適的慣性權重進行狀態(tài)更新。在6種基準函數(shù)下進行了算法的性能測試,結果表明,與隨機式慣性權重PSO算法與線性遞減慣性權重PSO-LDIW算法相比,該算法可以獲得更好的粒子分布和收斂性。

【文章頁數(shù)】：7 頁

【部分圖文】：

PSO-AIWA算法中D(i,pg)與w的隸屬度函數(shù)[14]如圖1和圖2所示,圖中δ和θ表示隸屬度因子。圖2w的隸屬度

圖1D(i,pg)的隸屬度進行粒子更新時,若僅考慮粒子最優(yōu)位置pi和全局最優(yōu)粒子Pg,可能導致最終得到局部最優(yōu)。針對該問題,算法選擇若干個最優(yōu)粒子在確定距離內參與迭代過程。具體地,在每次迭代中,選擇任意k個全局最優(yōu)粒子為候選粒子,通過Roulette方法從k個粒子選擇最終的全局....

2)算法收斂性。實驗2觀察了3種算法的收斂性性能,實驗目的是比較3種算法在擁有相同初始數(shù)據(jù)情況下的收斂速度和效率。實驗在完全相同的條件下測試了所有6種基準函數(shù)下的收斂性能,其他參數(shù)與實驗1也是相同的。從圖4的結果可以看到,無論是單峰值基準函數(shù)還是多峰值基準函數(shù)情況,PSO-AI....

圖4最優(yōu)適應度收斂性圖4最優(yōu)適應度收斂性

本文編號：3990603