● 摘要
1995年，Eberhart和Kennedy在对动物习性研究基础上提出了粒子群优化算法(PSO). 由于该算法具有原理简单、易于实现、需调节参数较少等优点，所以成为优化算法研究的一个热点，并应用于各个领域, 然而该算法存在收敛慢、易陷入局部最优等缺点. 为克服这些缺点，因此本文设计了几种改进算法.
本文首先分析了基本粒子群算法，概括了它各方面的发展. 然后，(1)针对粒子群算法易于陷入局部极值的缺点，通过引入扰动思想和鱼群算法中的聚群效应，设计了一种新的粒子群算法. 新算法提高了防止陷入局部最优的能力，加快了收敛速度；(2)针对粒子群算法早熟收敛的缺点，通过引入变异和交叉算子，设计了一种新的粒子群算法. 新算法改变了较为单一的速度更新方式，有效避免了早熟收敛，并加快了收敛速度；(3)针对算法进化后期收敛慢、精度低、易陷入局部最优的缺点，通过引入多种群思想和差分算子，设计了一种基于多种群的改进粒子群算法. 该算法将种群分成几个种群并对每代所有粒子的个体最优进行变异、杂交、选择操作. 最后，通过对常用测试函数的数值试验，说明了新算法的有效性.
相关内容
相关标签