您的当前位置:首页正文

一种基于混合遗传和粒子群的智能优化算法

2022-11-02 来源:客趣旅游网
计算机研究与发展

JournalofComuterResearchandDeveloment      ppISSN10001239CN111777TP -? -?

():,501122782862013-2

一种基于混合遗传和粒子群的智能优化算法

马 超 邓 超 熊 尧 吴 军()数字制造装备与技术国家重点实验室(华中科技大学)30074 武汉 4(machao2007beiin63.com)@1jg

AnIntellientOtimizationAlorithmBasedonHbridofGAandPSO          gpgy

,,,MaChaoDenChaoXionYaoandWuJun   gg  

(State KeLaboratoroDiital ManuacturinEuiment&TechnoloHuazhonUniversitoScience  &y yf gfg qpgy(g yf   

,)TechnoloWuhan430074 gy)

(,,AbstractarticleswarmotimizationPSO)issimleintheorinconverencebutlikeltobeuick P         ppygyq 

"p"attheinitialstae.Geneticalorithm(GA)hasstronsearchabilitbuttherematurelobal        gggyg  

,accuracislow.Considerinboththeadvantaesanddisadvantaesthestructureandconverence        ygggg  ,arametersaereneticthecriticalareanalzedinthisoeratorsandthecrossinsearchmethods           - pppgypg

,aliedtoPSOalorithmtoavoidfallinintolocallotimalsolution.Inthisinertialrocessare           ppggypp  weihtandmutationmethodsareimrovedtobalancetheandthelocalsearchabilit.Atthelobal               gpyg

,oulationsametimesomeswarmsaremutatediftheswarmhaveevolvedtoanenouhsmallsace.               ppgp,thenthenovelalorithmcouldhiherconverenceaccuracandexecutivecaabilittosolveAndet           gggypyg  

nonlinearandmultiextremuminthealicationoftheenineerinfield.Accordintotheresultsof-  -         ppggg  

,comarisonswithotheralorithmsthrouhvarietiesoftestfunctionsthehbridalorithmcombinin           pggygg,PSOandGAshowsreatadvantaesinsolutionaccuracsearchefficiencandtheabilittorocess            ggyyyp  

,differentfunctionsandmeetstheenineerinneeds.    gg ;;Kewordsarticleswarmotimizationeneticalorithm;hbridintellientconverenceefficienc p     pggyggyy 

;andaccuracexecutivecaabilit  ypy,原理简单、搜索速度快,但前期容易“早熟”遗摘 要 粒子群算法(articleswarmotimizationPSO).  pp传算法(具有很强的全局搜索能力,但收敛精度不高.综合考虑二者优缺点,把eneticalorithm,GA) gg

遗传算子引入P并采用交叉搜索的方法,调整惯性权重以及变异方式使粒子得到进化,当粒SO算法中,子种群进化到一定层度后,对部分粒子进行变异处理,这样不仅避免算法陷入局部最优解,而且获得较可解决工程中非线性、多极值的问题.据测试函数以及与其他寻优算法的对比高收敛精度和执行能力,

分析表明,此混合策略在求解精度、搜索效率和处理不同复杂度问题等方面都有很好的优越性,具有满足工程需要的能力.

遗传算法;混合智能;收敛效率;收敛精度;执行力关键词 粒子群优化算法;

中图法分类号 TP18;TP301.6

主要思想是eneticalorithm,GA)  遗传算法( gg

模仿生物进化过程论与遗传学,是由Michian大学g

[]

的H该算法是一种olland教授于1975年提出的1.全局优化算法,具有很强的全局搜索能力,简单通

修回日期:----20111112;20121029 收稿日期:

用、鲁棒性强、适于并行处理、理论成熟等优点,但该算法效率有待提高,特别是后期易陷入局部最优解.编码方式有二进制编码、实数编码、符合编码等,采用的主要算子包括选择、交叉、变异.本文采用实数

);;国家“九七三”重点基础研究发展计划基金项目(国家科技支撑计划项目(中央高校基本科研业2011CB7068032012BAF08B00) 基金项目:

)务费资助项目(2013TS027

马 超等:一种基于混合遗传和粒子群的智能优化算法

2279

编码的方式,具有接近问题空间、编码更有效、更有利于解决复杂问题、计算速度更快等显著特点.Eberhart和Kenned995年共同提出的y早在1

认为鸟类在粒子群算法是受鸟类群体行为的启发,

搜索食物过程中,个体之间可以进行信息的交流和

2]

共享[鸟群中每个个体能够记住自己当前所找到.

一些缺点,如局部搜索能力较差,搜索精度不高;粒子学习能力强,不能保证搜索全局最优解,容易陷入局部极小解;算法的搜索性能对参数具有一定依赖算法理论指导较少,比如缺乏收敛性的数学分性;

析.针对上述缺点,近年来,不同学者都对基本PSO算法提出改进,常用的改进策略有以下几种:

)位置和速度更新策略1

[]

大大提高了PShi等人3引入惯性权因子,SO[]

算法性能.Clerc等人4引入收缩因子来控制PSO

,的最好位置,称为“局部最优p此外还记住群体b”中所有鸟中找到的最好位置,称为“全局最优g.b”这两个最优变量使得鸟在某种层度上朝这些方向靠近.他们综合这些内容,提出了实际鸟群的简化模型,,即粒子群算法(articleswarmotimizationPSO).  pp

目前,优化技术已应用在诸如系统控制、人工智生产调度、计算机工程和管理工程等方面.实际能、

非线性、多极值、强约束等的工程问题具有大规模、

寻求一种适用于大规模、非线性和多极值问题困难,

的具有智能特征的并行算法已成为有关学科的主要研究目标和引人注目的研究方向.

的收敛趋势,并给出算法的理论分析.此外还有He

[]5]

、等人[Ratnaweera等人6引入时变加速因子和时

[]

变惯性权因子.Monson等人7利用滤波更新微粒

位置,有效减少算法迭代次数.

)多种群策略2

[]

Pulido等人8在PSO中引入子种群概念;[]

多种群策略在Vanden等人9提出合作PSO算法.

算法初期效率低于标准PSO.

)拓扑结构策略3

[10]

Kennedy等人研究了种群拓扑结构对于搜索性能的影响,强调微粒群拓扑的重要性.受小世界

1 PSO算法

,在P每个个体称为一个“粒子”在SO算法中,每个粒子看成是空间一个d维的目标搜索空间中,

内的一个点.设群体由N个粒子构成,即种群规模.…,,设zzzzzi=(i1,i2,id)i为第i个粒子的d维位置矢量,根据适应度函数计算当前z可i的适应值,…,为第i以衡量粒子位置的优劣;vvvvi=(i1,i2,id)…,个粒子的飞行速度;为第ippppbi=(bi1,bi2,bid)…,个粒子迄今为止的最优位置;ppp1,2,g=(gg为整个粒子群搜索到的最优位置.在每次迭代pd)g)()中,粒子根据以式(更新速度和位置:12

1+jjj)vvcrpid=w·11(bid-zid+id+

j)crp22(d;d-zgg王雪飞等人提出了一种具有动态网络模型的启发,

[1]

拓扑结构的新颖PSO算法1.

)混合策略4

理论两种算法在某类问根据“NoFreeLunch”  题的求解中性能会有差异,但对所有问题集两种算因此将两种算法融合法的平均性能应该是相同的.

在一起,取长补短,以实现全局优化是一种有效经济的方式,因此PSO算法与其他算法的融合是当前研

[12]

究的一大热点.Lovberjg等人将进化算法中的交[3]

在2叉操作引入PSO中;Ye等人1005年提出在

11++jjjzid+vid=zid;

其中,用于平衡全局搜索和局部搜w为惯性权重,

()1

()2

PSO算法中引入演化策略变异操作算子;Li等

14]

在2人[006提出将模拟退火与PSO融合;Juang

15]

等人[提出基于遗传算法与PSO算法的混合算16]法;高鹰等人[结合免疫算法提出免疫PSO算法;[17]

该ZhanSO,g等人提出将序列生境技术应用于P

方法能够枚举所有的全局极值,对复杂多峰值问题

间的随机数,这两索,rr0,1)j是迭代次数,1,2为(

)个参数用于保持种群多样性.式(第2项是“认知”1部分,代表粒子对自身的学习,第3项是“社会”部))分,代表粒子间的协作.粒子通过式(和式(来更12新自身的速度和位置,从而寻找最优解.

粒子群算法是一种基于自身学习和社会学习的智能进化算法,同其他智能优化算法一样具有很多优点:有很强的通用性,不依赖于问题信息;群体搜具有记忆能力;粒子间学习能力索并基于经验学习,

较强,节省搜索时间原理简单,便于实现.当然还有

的求解很有意义.

)基于生物行为策略5

由于PSO算法来源于社会性群居动物的行为模拟,因此不少学者自然想到从自然界中生物行为出

[8]

基于生物学中的生发研究其改进策略.Krink等人1

命周期现象提出了改进型P基于生物学中SO算法;

[9]

捕杀与掠夺现象,提出一种PSilva等人1redator-20]

王俊伟[根据将在迁徙过程中的Prey优化模型;

2280

()计算机研究与发展 2013,5011

飞行机制引入到标准P提出改进的PSO,SO算法.法,GA侧重于自然寻优搜索,PSO侧重于比较过程搜索,因此,而PGA在搜索解上有优势,SO在搜索时间上有优势,基于综合考虑这两点,本文提出一种并在这一过程中同时利用采用PSO的搜索过程,即GA的全局搜索优势进行寻优的混合算法思想.

)当优良粒子(在搜索更好粒子(swarmsbetterood g)的过程中,同时对部分粒子用GA进行周swarms

围状态探索,这一过程打破了传统仅采用PSO更新粒子位置的方法,将大大增加获取最优粒子()(能快速找到最优解的粒子)的机otimalswarms p

基本示意图如图1所示:会.

2 混合智能遗传粒子群优化算法

针对P本文采用第4种改进策SO算法的不足,略,即综合遗传算法和粒子群算,并采用智能搜索策略,在搜索最优解过程中避免算法过早陷入局部极值点,从而获得全局最优解,命名为IntellientGA g简称“PSO,IGPSO”.and 2.1 基本思想

遗传算法GA和粒子群算法PSO都是搜索算

Fi.1 BasicideaoftheIGPSO.    g

图1 IGPSO算法基本思想

2.2 算法中一些参数分析

为了使算法更具有动态适应性,PSO中的参数如果要具有随迭代代数变化而变化的适应性,针对

3]

、惯性权重常采用的方法有线性递减权重[线性微21]22]

、、带阈值的非线性递减权重[带控分递减权重[

良粒子,并且不过分破坏原始粒子的优良性,故在采

采用以下两种措施:用遗传算子过程中,

28]

)使用顺序选择的方法[,给每个粒子一定1并且把最好的粒子赋予最大的选择概的选择概率,率,这样基于一定概率选择的父代和基于随机选择

29]的母代经过交叉变异[后将在交叉前解的附近产

也即是子代,用c表示(如生一定的随机解,hild(xi)

),式(所示)便于得到优良粒子,防止过早进入局部6

制因子的非线性递减权重

24]

,减非线性惯性权重[即

[23]

等等,本文采用动态递

()3

),式(中,一般取值范围(3k为控制因子,3.0~4.0)

最小权重值、当wmawmj,jx,in,max分别为最大权重值、前迭代次数、最大迭代次数.针对学习因子的研究没有对惯性权重研究得多,主要有线性调整学习因子

25]26-27]

、策略[非线性调整学习因子策略[本文采用.

·w(wmaj)=wmin+(x-wmin)

(,ex?-k(pjjmax))

最优解:

非对称线性变化学习因子策略:

;ccc×(?jj1=c1s+(1e-1s)max)

;ccc?×(jj2=c2s+(2e-2s)max)

()4

()5

))式(和式(中,45ccc1s,2s表示1和c2的迭代初始值;

ccc1e,2e表示c1和c2表示的迭代终值;1表示变化范);围(由于算法2.5,1c1.5,2.75).2表示变化范围(

中采用的参数均考虑了粒子飞行的动态性,因此算法在整体上具有一定的智能性.

算法中采用的遗传算子包括选择、交叉和变异.为了使粒子在搜索较好解的方向上能找到更多的优

arentchild(xx=p×p+i)1(i)

(;()arent1.0-p)x6×p2(i)

arentarentVi)Vi)+pp1(2(

child(Vi)=×

arentarentVi)Vi)+pp1(2(()arentVi).7p1(

))中,间的随机数.60,1  式(p表示(

30]

)对粒子进行群体的集聚程度进行分析[,2

当粒子的聚集状态达到一定程度时,采用高斯变异措施使粒子分散开.设个体的适应度为F当前种i,

2:群的平均适应度为F适应度方差为σavg,

Fi-Favg

,()8σ=∑Fi=1

其中N为种群个体数目,为归一化因子,限制的大

)小根据式(获得:9maxFmaxF. i-Favi-Favg,g>1烄1≤i≤NF=烅1,else.烆()9

N()马 超等:一种基于混合遗传和粒子群的智能优化算法

2281

认为算法进入后期  当σ值小于给定的阈值时,

容易陷入局部最优,出现早熟收敛现象.用以搜索,

下方式进行变异处理:

),zi1+0.5×(i=pb(μ)

()10

))在式(中,为第i个粒子目前为止的最好位10ipb(置,正态分布的随机向量.由于粒子0,1)μ为服从(本身较容易陷入局部最优解,所以本文采用较大的当种群的适应度方差大于给定的集聚阈变异阈值,

值C时就采用变异措施,同时为了避免变异对粒子解的优良性产生破坏,仅对部分粒子采用高斯变异,假设要变异的粒子概率为p发生变异的粒子数是m(,实验发现当C,和N×.510)ppm)m的取值分别在((,)范围内时,算法会表现出较好的性能.1513??2.3 IGPSO算法流程图及过程分析

通过对上述算法概念、思想和参数的讲解,下面如图2所示:给出本文算法的流程图和实现步骤,

IGPSO算法实现步骤:

Ste1.初始化算法中的相关参数(initialp

),如惯性权重、学习因子、选择概率、变arametersp

种群规模、粒子维度等;异概率、

),根据初Ste2.初始化种群(initialoulation ppp

始搜索区间,随机初始化粒子位置和速度;

,目标函数值)并Ste3.计算粒子的适应度值(p根据硬度值来确定最优粒子的个体极值pb和全局极值pg;

并判别进化次数jSte4.增加粒子迭代次数,p

是偶数还是奇数;

)偶数代时把粒子用遗传算子GA(顺序选择1

))算子和交叉算子式(进行位置和速度更新;6)奇数代时用P即用式(和式(2SO算子,1)2)

进行粒子的速度和位置更新;

Ste5.根据粒子在搜索最优解过程中的聚集p

),如果粒子聚集程度超过一程度(swarmassemble 定阈值,就对一定数量的粒子根据式(采用变异10)处理;

确定粒子的个体pSte6.再次判别适应度值,pb和全局极值pg;

是则转向Ste7.判定迭代次数是否满足要求,p

否则转向SSte7,te4;pp

Ste8.输出最优粒子的全局最优位置和最优解.p

3 数值实验与分析

为了体现本文算法对优化问题的性能,选取了

28]

(一些常用的优化函数[常用测试函数有2进0个)

本文主要在不同算法之间和问题的维行对比测试,

度上进行分析.针对1采用的测试函数有:0维函数,,,依次表示ShereSchwefel2.22Schwefel1.pff1~15(

,S,R,R,A,2chwefel2.21osenbrockastriincklegy,,,H,H,GriewankBraninGoldPriceartman1artman2

为了节省ShekelFam1,ShekelFam2,ShekelFam3,空间,实验分析中的数据采用函数序号代表函数名对比分析中,称).f1~f8的数据来源参考文献[];本次对比2931].ff9~15的数据来源参考文献[过程中算法采用的参数如下.

最大迭代次数:种群大小:000;N=40;jmax=1权重w的最大最小值是0.控制因子k取9和0.4;

Fi.2 FlowchartoftheIGPSO.    g

图2 IGPSO算法流程图

和(3.0;cc2,0.5)1.5,1,2的开始和终止值分别是(

);变异阈值和变异概率C,2.750和14,?pm取值1独立运行30次.

2282

()计算机研究与发展 2013,5011

3.1 收敛精度和算法执行能力分析

鉴于对比数据来源不同,其采用分析方法有所差别,表1采用测试函数最优结果平均值的大小进较优的值用黑斜体表示;表2采用独立运行行分析,

求出成功运行的次数(成功运行准则见参考100次,],本算法成功运行的准则定义为误差小于)文献[32

32]

和误差[分析方法,黑体表示较优的解,表1、表2

都是针对10维测试函数进行测试的.

Table1 ComarisonandAnalsisBasedontheAveraeValues        pyg

表1 依据测试结果平均值的对比分析

Vave

FunctionName  

Shere p

Schwefel2.22 Schwefel1.2 Schwefel2.21 Rosenbrock Rastriin gAckley Griewank 

FunctionNo. 

IGPSO 1.06E-197 2.02E-108 9.12E-133 6.72E-096 1.29E-05 0.00E+00 8.88E-16 0.00E+00 

29]

QPSO[

29]

AMPSO[

29]

AMQPSO[

f1f2f3f4f5f6f7f8

7.69E+00 4.20E+00 3.07E-01 3.94E-69 1.97E+02 5.72E+01 2.85E+00 1.86E+00 

2.86E-52 2.42E-24 2.20E-23 3.26E-25 8.96E+00 1.78E-15 8.88E-16 0.00E+00 

3.29E-981.85E-474.43E-562.02E-1258.82E+000.00E+008.48E-160.00E+00

Table2 ComarisonandAnalsisBasedontheSuccessfulProbabilitandtheError          pyy 

表2 依据测试结果成功收敛及其误差的对比分析

FunctionNameBranin GoldPrice Hartman1 Hartman2 ShekelFam1 ShekelFam2 ShekelFam3 

FunctionNo.

IGPSO 

30]

CGA[

30]

CHA[

30]

GA-PSO[

P%?suc

100 100 100 100 100 100 100 

Vave

2.76E-05 2.15E-08 2.10E-05 2.86E-04 3.58E-06 2.68E-06 1.51E-06 

P%?suc

100 100 100 100 76 83 81 

Vave

1.00E-04 1.00E-03 5.00E-03 4.00E-02 1.40E-01 1.20E-01 1.50E-01 

P%?suc

100 100 100 100 85 85 85 

Vave

1.00E-04 1.00E-03 5.00E-03 8.00E-03 9.00E-03 1.00E-02 1.50E-02 

P%?suc

100 100 100 100 100 100 100 

Vave

9.00E-053.00E-042.00E-042.40E-031.40E-031.50E-041.20E-03

f9f10f11f12f13f14f15

  表1中Vave表示多次测试后算法获取偏离最优

解的平均误差;表2中Ps从uc表示成功收敛的次数.表1的平均函数值以及表2的成功搜索率和与最优值偏差大小可以对比分析出,IGPSO算法对表内的各测试函数表现出较优的精度.

采用的测试函数中f其中,f1~5是单峰函数,

和复杂度上具有优越性和执行能力,根据上述分析的不同测试函数的功能,特采用f5~f8来检测并与不同算法进行对比分析.特引IGPSO的性能,]用文献[的实验结果进行广泛对比分析,30,33-37采用的文献中较常见的几个测试函数用误差平均值和标准方差(独立运行3的大小进行评定.上述0次)其中,函数实验结果具体如表3和表4所示,Uavg表示算法求解的最优解平均值,Usd表示算法最优解标反映求解问题的稳定性.根据对比分析(黑准偏差,

,体数字表示较优的解)在10维和30维的测试函数上,相同解的条件IGPSO都表现出广泛的适应性(,下有较多较优解的算法视为较优算法)充分证明了算法的执行能力.

ff1常用来测试算法的寻优精度,5常用来测试算法的执行性能;用来检测算ff6~8是高维多峰函数,法对复杂问题的执行能力;ff9~15低维多峰函数,用来检验算法的适应性.从上述对比结果可以看出,而IGPSO在不同问题上不仅具有很高的计算精度,且具有普遍实用性.

为了更能体现本文算法比一般算法在问题维度

马 超等:一种基于混合遗传和粒子群的智能优化算法

Table3 TestResultsofTenDimensionsProblems      

表3 10维度问题的数值实验结果

FunctionNameunctionNo.  F 

2283

UaUsvd)g(

IGPSO 1.29E-05()1.16E-05

0()04.28E-20

()00()0

33]

UPSO[

32]

CLPSO[

34]

HEAPSO[

34]

ILPSO[

Rosenbrock f5

1.40E+00()1.88E+001.17E+01()6.11E+001.33E+00()1.48E+001.04E-01()7.10E-02

8.79E+00()2.21E+01

0()02.66E-15

()05.26E-03()6.37E-03

8.55E+00()9.66E-028.81E-08()6.55E-082.22E-05()7.53E-067.96E-11()8.22E-11

7.24E+00()4.93E-01

0()04.41E-16()1.25E-15

0()0

Rastriin gf6

Ackley f7

Griewank f8

Table4 TestResultsofThirtDimensionsProblems     y 

表4 30维度问题的数值实验结果

FunctionNameRosenbrock Rastriin gAckley Griewank 

FunctionNo.

IGPSO 

35]

DEahcSPX[

29]

DPAMDE[

36]

DEBBO[?

UavgUsdUavgUsdUavgUsdUavgUsd

f5f6f7f8

2.65E-0132E+0052E+0055E+0178E-1113E-1090E+0152E+00 1. 4. 1. 4. 2. 1. 7.

02.56E-17 

00 0

2.14E+0123E+0190E-0156E+00 1. 7. 3. 

2.66E-1500E+0022E-1693E-1607E-1490E-15 0. 2. 9. 1. 1.2.07E-0389E-03 5. 

0 

0 

3.2 算法收敛速度分析

算法的收敛速度直接影响计算的用时,下面本文将结合仿真图表来说明本文算法在收敛效率上也具有很大优越性.由于篇幅有限下面给出IGPSO与本文所引用比较有优势的AMQPSO和DEBBO算?法在求解高维复杂函数f过程中搜索30维)6和f8(

对比图,如图3、图4所示:

)Fi.4 Converenteffectofthirtdimension.   ggy8(f 

图4 f收敛效果Rastriin30维)g8函数(

以找到最终的收敛位置,充分显现了本文算法的高下面对算法的迭代速度和效率的分析采效收敛性.

用将最大迭代次数设置为3另外,由于不同算00次.

[33]

)法采用的原理不同,适应值评价次数(的NFFEs

可比性不明显,本文主要采用平均成功运行时间t)Fi.3 Converenteffectofthirtdimension.   ggy6(f 

图3 f收敛效果Griewank30维)6函数(

(满足成功运行准则条件下所用时间)的评价方法,]并根据文献[的数据对f31f9~15进行收敛效率上的对比来说明算法的收敛速度和效率.由于GA-下面PSO较CGA和CHA在精度和收敛性方面好,,仅对GA-黑体表示较优值)对比效果PSO作对比(如表5所示.

根据仿真图可以看出,IGPSO算法在处理多维在前多局部最优点问题时依然具有很高的搜索效率,仿真数据显示I20代就可以有很快的收敛性,GPSO在处理其他测试函数时普遍迭代100~300次就可

2284

’Table5 TheAlorithmsConverentTime   gg

表5 算法收敛时间

FunctionNameBranin GoldPrice Hartman1 Hartman2 ShekelFam1 ShekelFam2 ShekelFam3 

FunctionNo.

IGPSO 

30]

GA-PSO[

()计算机研究与发展 2013,5011

一般算法都很haffer函数有无限个极小值点,  S

难找到全局最优点,其理论全局最优点:0,0)=f(下面给出本函数粒子初始分布图和最终分布图-1,

如图5~7所示)显示以上所有函数的求解过程.来(

P%?suc

100 100 100 100 100 100 100 

%Timets?suc ? P1.622 5.106 2.606 2.668 1.324 1.413 1.519 

100100 100 100 100 100 100 

Timets ?117 2.6.6860.5773.326154.518.1117.47

f9f10f11f12f13f14f15

Fi.6 FinaldistributionoftheShafferfunction.     g

从表5可以明显看出,IGPSO在收敛效率上占有很大优势.下面再给出用IGPSO计算部分测试函

28,34]

数[的结果以供参考.

图6 Shaffer粒子最终分布图

结果:Weierstrass函数(5维)

66E-15,3.05E-16,3.18E-16,-1.f(

)=0;8.08E-19656E-16,-2.hubert函数:  S

)=80032624,42512708-0.-1.f(86.730908768;-1

asom函数:  E

)=3.14159478,3.14158911f(999999997E-1;-9.

ev  Ly函数:

9.99E-1,9.99E-1,1.00E,f()=2.1.00E,9.99E-163E-12;

:ichalewicz函数(5维)  M

)=-4.2.2,1.57,1.28,1.91,1.726877;f(orana函数:  C

00E-74,13E-77,3.61E-75,-1.-2.f()=3.1.61E-76,2.15E-1134E-148haffer函数:  S

026686527E-009,-1.f(

)=-1.46007903E-009-8.

Fi.7 ConverenteffectoftheShafferfunction.     gg

图7 Shaffer粒子收敛分布图

4 结  语

本文从不同方面来阐述IGPSO算法的计算精度、执行能力和效率.实验证明,在GPSO中通过引入遗传算子,并通过交叉搜索的方法使粒子尽快搜该算法比较好地克服索到最优解的思路是正确的,

了粒子群算法易陷入局部最优和遗传算法收敛精度不高的缺点,同时具有处理单、多峰值问题的能力,特别是在简单问题的精度方面和复杂问题的执行能在工程应用中,往往并不知道问题力方面具有优势.

的复杂度,而采用IGPSO这样在不同问题上都具有一定优势的算法是可以胜任的.

[]H1ollandJH.AdatationinNaturalandArtificialSstem       py

Fi.5 InitialdistributionoftheShafferfunction.     g

图5 Shaffer粒子初始分布图

[:U,M].AnnArborniversitofMichianPress1975:68   -yg 73

马 超等:一种基于混合遗传和粒子群的智能优化算法

[]K,2ennedJEberhartRC.ParticleSwarm Otimization[C]   yp 

,I,ProcofIntConfonNeuralNerworksV.Piscatawa??      y:,NJIEEEServiceCenter1995:19421948  -[]S3hiY,EberhartRC.A modifiedarticleswarmotimizer      pp

[,N:C]Procofthe1998IEEEECP.PiscatawaJIEEE,??    y1998:6973-[]C,4lercM,Kenned.Thearticleswarm:Exlosion   ypp J

stabilitandconverenceinmultidimensionalcomlexsace     y,gpp[],():J.IEEETransonEvolutComut2002,615873    -p[]H5eS,WuQ H,WenJY,etal.Aswarmotimizerarticle        pp

],2withconreation[J.BioSstems004,78(12assive  ??ggyp):3135147-[]R6atnaweeraA,Halamueatsonelf  S K,W H C.S-gg

oranizinhierarchicalarticleswarmotimizerwithtime     -ggpp ]varinccelerationoefficients[J.IEEEransn c T oyg a,():EvolutionarComutation2004,83240255-yp []M7onsonCK,SeiKD.TheKalmanswarm—Anew       pp

aroachtomotioninswarmotimization[G]?article      ?ppppLNCS102:Procfheeneticndvolutionar 3 o t G a Ey:,GECCO2004).BerlinSriner2004:140Comutation( -pgp150

[]P8ulidoGT,CoelloA,CoelloC.Usinclusterintechniues    ggq  

toerformancearticleimrovetheofamultiobective      - pppjotimizer[G]LNCS3102:ProcoftheGeneticandswarm ??     p:Evolutionaromutation(GECCO004).Berlin 2yp C,Sriner2004:225237-pg[]V9andenBF,EnelbrechtAP.Acooerativearoachto       gppp

warmtimizationarticle s opp

[]J.IEEEransn T o

,():EvolutionarComutation2004,83225237-yp []K,M10ennedJendesR.Poulationstructureandarticle    ypp 

erformance[C]?Procofthe2002Conressonswarm ?    pg,N:IEvolutionarComutation.PiscatawaJEEE,2002:ypy 16711676-[]W,W,Q11anXuefeianFaniuYuhui.Researchonanovel    ggg  

]articlewarmlorithm withnamicooloJ. s a d tpgypgy[,():)ComuterScience2007,343205207,233(inChinese - p

(王雪飞,王芳,邱玉辉.一种具有动态拓扑结构的粒子群算]():)法研究[J.计算机科学,2007,343205207,233-[]Larticle12ovberM,RasmussenT K,KrinkT.Hbrid   pjgy 

swarmotimizerwithbreedinandsuboulations[C]Proc    ??pgpp the3rdGeneticandEvolutionarComutationConf.of      yp 

2001:469476-[]Y,G13eBin,ZhuChenzhiuoChuanxin,etal.Generatin    ggg

extendeduzzasisunctionetworkssinbrid f f n uygy b halorithm[G]?LNCS3613:ProcofFuzzSstemsand?    gyy 

:,Discover.BerlinSriner2005:7988Knowlede -ypgg[]L,W,L14iLinlaianLiniuLihen.Aneffectivehbrid    ggggy 

strateforotimizationitsalicationtoarameterPSOSA      gypppp ],estimation[J.Aliedathematicsndomutation M a Cppp

():2006,1791135146-[]J15uanCF,LiuYC.TSKterecurrentfuzznetwork   -  gypy  

bthehbridofeneticalorithmandarticleswarmdesin        yyggpg otimization[C]ProcofIEEEIntonSstemsManand??       py,N:JIEEE,2004:23142318Cbernetics.Piscatawa-yy

2285

[]G,X16aoiniehenli.Particlewarmtimization Y S s oggp

]alorithmswithimmunitJ.ComuterEnineerinand   gy[pgg ,():)Alications2004,40646(inChinese- pp

(]高鹰,谢胜利.免疫粒子群优化算法[J.计算机工程与应():)用,2004,40646-]Z[17hanJun,ZhanJinru,LiKan.Aseuentialnichin   ggggqg  

forarticleswarmotimization[G]LNCS3644:techniue    ?? ppq:,ProcofAdvancesinIntellientComutin.BerlinSriner     gpgpg2005:390399-[]K:C18rinkT,LovberM.Thelifecclemodelombinin    jgyg 

warmtimizationeneticlorithmsndillarticle s o g a a hpgp

climbers[G]LNCS2439:ProcofParallelProblemSolvin??     g:,Nature—PPSN VII.BerlinSriner2002:621630from -pg[]S19ilvaA,AnaN A,CostaE.Anemiricalcomarisonof      pp

articleswarmandotimization[G]LNCSredatorre    ??pppyp 2464:ProcofArtificialIntellienceandConitiveScience.      gg:,Sriner2002:103110Berlin-pg

[]W20anJunwei.Modificationandalicationofswarmarticle     gppp 

:D,otimizationalorithm[D].ShenanonbeiUniversit  pgyggy)2006(inChinese 

(王俊伟.粒子群优化算法的改进及应用[D].沈阳:东北大)学,2006

[]H,Z21uJianxiuenJianchao.Selectiononinertiaweihtof     gg 

],articleswarmotimization[J.ComuterEnineerin   pppgg():)2007,3311193195(inChinese- 

(]胡建秀,曾建潮.微粒群算法中惯性权重的调整策略[J.():)计算机工程,2007,3311193195-[]W,W22anLianXiaokai.Modifiedarticleswarmotimizer   ggpp  

]nonlinearinertiaweiht[J.ComuterEnineerinusin-   gpggg ,():)andAlications2007,4344748(inChinese - pp(王丽,王晓凯.一种非线性改变惯性权重的粒子群算法[]():)J.计算机工程与应用,2007,4344748-[]L,G,L23iHuironaoYueliniJimin.Anonlineardecreasin     gg

inertiaweihtstratearticleswarmalorithmotimization     ggypgp ],alorithm[J.Comuternineerinndlications E Agpggpp a():)2007,2141620(inChinese- 

(李会荣,高岳林,李济民.一种非线性递减惯性权重策略的]():粒子群算法优化算法[J.计算机工程与应用,2007,214)1620-[]L,N:24iLiiuBen.ParticleSwarm Otimization[M].Beiin   pjg

,)MetalluricalIndustrPress2009(inChinese  gy 

(李丽,牛奔.粒子群优化算法[M].北京:冶金工业出版)社,2009

[]R25atnawecraA,HalamueS.Selforanizinhierarchical  -gggg 

articlewarmtimizerithimevarincceleration s o w t-ppyg a],2:J.EvolutionarComutation004,8(3)coefficients[yp 240255-[]C,,,26henShuiliCaiGuoronGuoWenzhonetal.Nonlinear    -gg

]stratestudinofthePSOaccelerationfactors[J.Journal    gyyg  :N,2YantzeUniversitaturalScienceEdition007,14of    gy():)414(inChinese- 

2286

(陈水利,蔡国荣,郭文忠,等.PSO算法加速因子的非线性]():策略研究[J.长江大学学报:自然科学版,2007,1441-)4

]F,C,G[27enXianhenGuolonuoWenzhon.Settinsand   ggggg 

exerimentalanalsisofaccelerationcoefficientsinarticle      pyp]timizationlorithm[J.Journalfimeiswarm o a o Jpg,():)2006,112146151(inChineseUniversit- y

(冯翔,陈国龙,郭文忠.粒子群优化算法中加速因子的设置]():)与实验分析[J.集美大学学报,2006,112146151-[]G,W28onChunanZhenlin.ProficientOtimizationwith  gggp  

:PMatlab[M].Beiinublishinouseflectronics o Ejgg H,)2009:315320(inChineseIndustr- y

(龚纯,王正林.精通Matlab最优化计算[M].北京:电子工)业出版社,2009:315320-[]J,L,Wu29iZheniaouilianinhua.Particlewarm  H Q Sg

:S,OtimizationandAlication[M].BeiinciencePress   pppjg)2009:59107(inChinese- 

(纪震,廖惠连,吴青华.粒子群算法及应用[M].北京:科)学出版社,2009:59107-]L[30iuJunfan.Basedonswarmotimizationandarticle      gpp

:differentialevolutionofintellientalorithm[D].Yinchuan    gg,)NinxiaUniversit2010(inChinese  gy

(刘俊芳.基于粒子群优化和差分进化的智能算法研究[D].)银川:宁夏大学,2010

[]Keneticarticle31aoY T,ZaharaE.Ahbridalorithmand       gpyg

]swarmotimizationformultimodalfunctions[J.Alied    ppp,():SoftComutin2008,82849857 -pg

[]S,e32uanthanPN,HansenN,LianJJtal.Problem     gg 

definitionsandevaluationcriteriafortheCEC2005secial      ponrealarameterotimizationreferencedescritionsession  -   ppp[)[]:EBOL].(2005053120120931.httweb.msites.?----??pyensuanPublicSiteShared%20Documentsntu.edu.s????pggCEC2005Techeorta3005.df?-R-M--pyp

[]S,S33amratLS,LaakAliibaK U.Interatedlearnin     ygg

]lobalswarmotimizerforotimization[J.Aliedarticle     gppppp

,():SoftComutin2011,111574584 -pg

[]L,Q34ianJJinA K.Comrehensivelearninswarmarticle    gpgp  

]lobalotimizerforotimizationofmultimodalfunctions[J.      gpp,2:TransonEvolutionarComutation006,10(3)IEEE   yp 281295-()计算机研究与发展 2013,5011

[]L35iuBo.ParticleSwarm OtimizationAlorithmandIts     pg

:PEnineerinAlication[M].BeiinublishinHouseof ggppjgg  ,)ElectronicsIndustr2010:115128(inChinese - y

(刘波.粒子群优化算法及其工程应用[M].北京:电子工业)出版社,2010:115128-[]N36omanN,IbaH.Acceleratindifferentialevolutionusinan    gg  

]localsearch[J.IEEETransonEvolutionaradative     py,():2008,121107125Comutation-p

[]G37onWenin,CaiZhihua.DEBBO:Ahbriddifferential ?  g yy

evolutionwithbioeorahbasedotimizationforlobal  -   ggpypg],:otimization[J.SoftComutin2011,15(4)numerical  ppg64565-,MaChaobornin1989.Mastercandidate.    ainesearchnterestsncludeHis m r i iintellienttimallorithmnd o a agpgrocessinarametersotimization. pgpp 

,DenChaobornin1970.Professor.Her  g mainresearchinterestsincludereliabilit    y,assessmentandfaultdianosis.  g

,XionYaobornin1984.PhDcandidate.   g ainesearchnterestsncludeHis m r i irocessinreliabilitssessmentnd a pgy aarametersotimization. pp

,WuJunbornin1977.Lecturer.Hismain    researchnterestsncludeeliabilit i i ryredictionbasedonotimalalorithm.    ppg

因篇幅问题不能全部显示,请点此查看更多更全内容