資源描述：
《學習因子和時間因子隨權(quán)重調(diào)整的粒子群算法.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、第31卷第11期計算機應用研究Vo1．31No．112014年11月ApplicationResearchofComputersNOV．2014學習因子和時間因子隨權(quán)重調(diào)整的粒子群算法馬國慶，李瑞峰，劉麗(1．哈爾濱工業(yè)大學機器人技術(shù)與系統(tǒng)國家重點實驗室，哈爾濱150001；2．長春理工大學機電工程學院，長春130022)摘要：粒子群優(yōu)化算法中慣性權(quán)重和學習因子的獨自調(diào)整策略削弱了算法進化過程的統(tǒng)一性，很難適應復雜的非線性優(yōu)化，為此提出一種利用慣性權(quán)重來控制學習因子的粒子群算法，通過增強權(quán)重和學習因子之間的相互作用來平衡算法的全局探索和局部開發(fā)能力。在此基礎
2、上引入時間因子，將其視做權(quán)重的線性函數(shù)，以便進一步提高迭代后期的局部開發(fā)能力并加快收斂速度。針對粒子群算法收斂性與多樣性之間存在的矛盾，提出了邊界限制和速度反彈的策略，避免粒子飛離區(qū)域造成種群多樣性的減少，同時促使粒子快速收斂到全局最優(yōu)。通過對多個基準測試函數(shù)進行優(yōu)化分析，并將分析結(jié)果與其他粒子群算法計算結(jié)果進行對比，表明該算法能達到平衡粒子向個體學習和向群體學習能力的作用，提高了算法的尋優(yōu)能力和收斂精度。關(guān)鍵詞：粒子群優(yōu)化算法；學習因子；時間因子；邊界限制；速度反彈中圖分類號：TP301．6文獻標志碼：A文章編號：1001．3695(2014)11—329
3、1—04doi：10．3969／j．issn．1001—3695．2014．11．021ParticleswarmoptimizationalgorithmoflearningfactorsandtimefactoradjustingtoweightsMAGuo—qing，LIRui—feng，LIULi(1．StateKeyLaboratoryofRobotic&tern，HarbinI~tituteofTechnology，Harbin150001，China；2．CollegeofMechanical&ElectricEngineering，Chang
4、ehunUniversityofScience&Technology，Changchun130022，China)Abstract：Concerningtheproblemthattheindependentadjustingstrategyofinertiaweightandlearningfactorreducesevolu-tionuniformityofparticleswarlnoptimization(PSO)algorithm，andcannotadapttothecomplexnonlinearoptimizationprob—lems，th
5、ispaperproposedanewPSOalgorithmwithlearningfactorcontrolledbyinertiaweightfunction．Thisstrategycouldef-feetivelyenhancetheinteractionofinertiaweightandlearningfactorSOastobalancetheglobalexplorationandlocalexploita·tionandpreferablyleadparticlestosearchgloballyoptimalsolution．Based
6、onthat，itintroducedthetimefactor，whichtreatedasalinearfunctionofinertiaweight，inordertofurtherimprovethelocaldevelopmentabilityandconvergencespeedofitera—tioninthelate．AimingattheconflictbetweentheconvergenceandthediversityofPSO，itproposedanstrategyofboundaryrestrictionsandspeedreb
7、ound，whichcouldavoideparticlesflyingofresultinginadecreaseofspeciesdiversityandmadepar—ticlesconvergetoglobaloptimumquickly．TheoptimizationanalysisonbenchmarktestfunctionsandthecomparisonwithotherPSOalgorithmindicatesthatthealgorithmbalancesindividualandcolonialleai'ningabilityofpa
8、rticlesandimprovesoptimiza
