粒子群算法(Particle Swarm Optimization,PSO)的性能極大地依賴于其慣性權(quán)重參數(shù)的選擇策略。當(dāng)在一次迭代中更新粒子速度時(shí),PSO忽略了粒子間的差異,在所有粒子上應(yīng)用了相同的慣性權(quán)重。針對(duì)這一問(wèn)題,提出一種自適應(yīng)慣性權(quán)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(dāng)前粒子與全局最優(yōu)粒子間的差異,算法可以通過(guò)基于粒子間距的隸屬度函數(shù)動(dòng)態(tài)調(diào)整粒子的慣性權(quán)重,使得每次迭代中,粒子可以根據(jù)當(dāng)前狀態(tài)在每個(gè)維度上的搜索空間內(nèi)選擇合適的慣性權(quán)重進(jìn)行狀態(tài)更新。在6種基準(zhǔn)函數(shù)下進(jìn)行了算法的性能測(cè)試,結(jié)果表明,與隨機(jī)式慣性權(quán)重PSO算法與線性遞減慣性權(quán)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(yè)數(shù)】：7 頁(yè)

【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(jìn)行粒子更新時(shí),若僅考慮粒子最優(yōu)位置pi和全局最優(yōu)粒子Pg,可能導(dǎo)致最終得到局部最優(yōu)。針對(duì)該問(wèn)題,算法選擇若干個(gè)最優(yōu)粒子在確定距離內(nèi)參與迭代過(guò)程。具體地,在每次迭代中,選擇任意k個(gè)全局最優(yōu)粒子為候選粒子,通過(guò)Roulette方法從k個(gè)粒子選擇最終的全局....

2)算法收斂性。實(shí)驗(yàn)2觀察了3種算法的收斂性性能,實(shí)驗(yàn)?zāi)康氖潜容^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(shí)驗(yàn)在完全相同的條件下測(cè)試了所有6種基準(zhǔn)函數(shù)下的收斂性能,其他參數(shù)與實(shí)驗(yàn)1也是相同的。從圖4的結(jié)果可以看到,無(wú)論是單峰值基準(zhǔn)函數(shù)還是多峰值基準(zhǔn)函數(shù)情況,PSO-AI....

圖4最優(yōu)適應(yīng)度收斂性圖4最優(yōu)適應(yīng)度收斂性

本文編號(hào)：3990603