[发明专利]一种改进粒子群算法的方法

说明书

本发明属于进化算法技术领域，具体涉及一种改进粒子群算法的方法。由于粒子群算法有前期收敛速度快后期收敛速度慢的缺点，这就使得粒子无法全面的搜索整个空间。针对粒子群算法的这个缺点，本发明改进粒子群算法中的速度更新方式，在原来的速度更新公式中引入一个压缩因子λ。压缩因子λ的引入可以控制粒子群算法的收敛，使得粒子有机会搜索空间中不同的区域，并获得高质量的粒子。改进后的方法可以有效的提高算法的收敛速度和全局搜索能力。

技术领域

本发明属于进化算法技术领域，具体涉及一种改进粒子群算法的方法。

背景技术

二十世纪末，粒子群优化算法由Eberhart博士和Kennedy博士提出的一种基于群体智能的随机优化方法，具有简单、高效、收敛速度快的特点。它模拟的是一个经过简化的鸟类群体运动的模型。该算法将每只鸟比作一个粒子，根据鸟类种群中各个粒子之间的合作和相互学习，最终达到算法优化的目的。在粒子群优化算法中，需要被优化的问题的解抽象为粒子,粒子通过不断地向种群中的最优解及其自身经历过的最优解学习,不断被优化进而找到最优解。由于粒子群算法具备原理简单、可调整参数较少、易于实现、智能化、并行性等优点，所以提出后迅速引起了学者们的广泛关注，并在现实问题优化中得到广泛应用。同时，由于PSO算法存在早熟收敛、维数灾难、易于陷入局部极值等问题，针对粒子群算法容易出现局部极值，进化后期收敛速度慢和精度低的问题，引入一个压缩因子对标准粒子群算法进行改进，可以有效提高粒子群算法的效率及精确度。

发明内容

本发明的目的是在标准粒子群算法的基础上，针对粒子群算法的缺陷，对标准粒子群算法进行改进，提高粒子群算法的效率和精确度。

本发明的目的是这样实现的：

一种改进粒子群算法的方法，包括以下步骤：

步骤1：初始化每个粒子的位置矢量X_i和速度矢量V_i，每个粒子的位置、速度均在其范围内进行随机赋值，设置与算法有关的参数：种群数目NP、搜索空间的维数D、粒子位置的范围、速度的范围、最大迭代数T、惯性权重w和学习因子c₁、c₂；

步骤2：设置粒子自身最优解pbest为粒子的当前位置，设置初始种群中最优解为gbest；

步骤3：根据速度更新公式和位置更新公式对粒子进行更新；

步骤4：判断是否达到了迭代次数，若达到迭代次数转到步骤5；若没有达到迭代次数，迭代次数加1，转到步骤3；

步骤5：输出gbest，算法结束。

所述的步骤3具体包括：

(3.1)根据粒子的位置更新公式更新粒子的位置，根据改进的粒子速度更新公式对粒子的速度进行更新，速度更新公式为：

v_i(t+1)＝λ{wv_i(t)+c₁r₁(pbest_i(t)-x_i(t))+c₂r₂(gbest-x_i(t))}

位置更新公式为：

x_i(t+1)＝x_i(t)+v_i(t+1)

(3.2)判断位置与速度是否超出可行范围；

(3.3)计算粒子适应度，若当前粒子适应度值优于粒子位置pbest的适应度，则当前位置为局部最优位置，更新pbest的位置为当前粒子位置；