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