《一种动态扩散粒子群算法.doc》由会员分享，可在线阅读，更多相关《一种动态扩散粒子群算法.doc（1页珍藏版）》请在三一文库上搜索。
1、Vol. 30 No. 1Jan. 2010第30昙第I期2010年1月计算机金用Journal of Computer ApplicationsVol. 30 No. 1Jan. 2010Vol. 30 No. 1Jan. 2010文章编号：1001 -9081(2010)01 -0159-03一种动态扩散粒子群算法任小波，杨忠秀(宁波工程学院电孑江宁波钊(renxb75 163. com)摘夏:针对竝于翼算法枚索精度不高转别爰对高维圉數优化牲能环：法(DDPS0)o该算法通it非釵性函微调节慣41权雇粒于逮度更斷方丸.：能力，提高算法的性能，同时在一尢条件下甘粒子进行重街扩微保证种焊的i4
2、优能力明显高于基杠pso及其他一些改进的PSO算法并且该算法牲能穰关鼻词：粒子算算法；动态随机敎;慣牲权重;尸散中图分类号：TP301.6文就标志码:ADynamic diffusion particle swarm optimizationREN Xiao-bo, YANG Zhong-xiu(College cf Eledroruc and Information Engineering. Ningbo Univmity jf Technology, Ningbo Zhqiang 313016. China)Abstract: Dynamic Diffusion Particle Swai
3、m Optimization (DDPSO) was proposed to improve the poor search quality of the standard PSO for optimizing high-dimeriBional function. A nonlinear function was introduced to adjust the inertia weight and it added a dynamic random number in the updating mode of particle velocity to enhance the searchi
4、ng ability Meanwhile* particles were diffused again under certain conditions in order to ensure diversity of the swann. Simulations show that dynamic diffuftion particle swann optimization has outstanding performances in high-dimensional function optimization compared with standard or other mcdilled
5、 PSO.Key words: Particle Swarm OptimizahoR (PSO); dynamic random number; inertia weight; diffusionVol. 30 No. 1Jan. 20100引言粒子群算法(Particle Swarm Optimitalion, PSO)是一种 新型的智能优化算法该算法以其概念简单、计算速度快受到 国内外众多学者的关注。研究初期，考虑多维搜索及根据距 离的加速并通过对邻近的速度匹配，形成了初期的PSO算 法,随后又引入了惯性权1：的概念实现对解空间更好地 搜索逐步形成了目前普遍应用的基本粒子群算法但是基本 粒
6、子群算法由于本身更新机制的限制,使得算法易陷入局部 最优。为了提髙算法的性能国内外学者提出了各种改进的 方案。如变更公式法通过对基本粒子群优化算法更新公 式的改进来提高算法的搜索能力，即通过引入其他附加信息 来扩大群体可利用的信息,从而增强算法的寻优能力;分群方 法将一个种群按不同要求分成多个种群进行擾索通过各 个种群的独立搜索能力和相互作用从而提高算法的搜索能 力;混合算法将粒子群算法与其他优化算法结合,充分利 用其他算法在优化方面的某些优势，来提髙粒子群算法的寻 优能力;扰动方法主要通过不断的极值扰动使种群始终 处于一种非平衡态促便粒子对环境不斷进行探索从而提高 算法的搜索能力。这些改迸方
7、案在一定程度上提高了算法的 寻优能力,但也存在粒子在演化过程中不够灵敏需要絞大的 迭代次数才能较好的完成搜索工作。然而，奁对一些实际问 聽进行优化时,迭代次数是有限制的，在有限的迭代次数内. 尽可能地得到可接受的最优解，成为日前ttTW算法硏究的 一个方向。为此，本文提出一种动态扩散粒子群算法 (Dynamic Diffusion Particle Svarm Optimization, DDPSO)。该 算法在演化过程中动态地调猿粒子的飞行速度加强对种群 借息的利用，并且在一定条件F通过对粒子的重新扩散，增强 种群的多样性从而提高算法的性能。实验结果表明该方法 在校小的迭代次数条件下,寻优效
8、果理想。1粒子群算法将PSO算法中的每个个体称为一个粒子,每个粒子模仿 鸟的寻食行为，通过跟踪两个极值”来搜索解空间的最优 值:一个是每个粒子当前已搜索到的最值称为个体极值;另 一个是整个群体当前已搜索到的最值称为全局极值。其速 度位置更新公式如下：C =砂：* cif(Pi )以诃(卩：-)申 ：，(2)其中:耳=仏是粒子i的速度，代表了粒子i现在 位量与其下一步目标位JT之间的距离* =岭应% 是粒子i的目前位置;P,是迄今攪索到的个体最优解卩是蛊 个群体迄今捜索刊的最优解*足保持原来速度的系数，称为 惯性权重血和q被称为学习因子諸切是0,1区间均匀分 布的随机数。群体在演化过程中粒子每一维上的速度不超过 最大运行值,粒子的位置也限制在一定的范围内。同时2与Vol. 30 No. 1Jan. 2010收WBW：2009-06-24；fEBm：2009 - 08墓金蛮目：宁波市自然科学基金资助0(2OO8A61OOO2；2OO9A61OO9O)；r江教育厅项目(Y200803223)。作者筒介:任小波(W15-) 女浙江宁波人讲獅枝士.主宴研究方向：图像处理、棋式识别、無能算法；杨忠*(1974-).女(苗).! 北利川人副触授硬士 主方向:人工押能。