融合隶属度函数的自适应惯性权重模式的粒子群优化算法

发布时间：2024-06-07 01:52

　　粒子群算法(Particle Swarm Optimization,PSO)的性能极大地依赖于其惯性权重参数的选择策略。当在一次迭代中更新粒子速度时,PSO忽略了粒子间的差异,在所有粒子上应用了相同的惯性权重。针对这一问题,提出一种自适应惯性权重的粒子群算法PSO-AIWA,有效合理地均衡PSO的全局搜索和局部搜索能力。根据当前粒子与全局最优粒子间的差异,算法可以通过基于粒子间距的隶属度函数动态调整粒子的惯性权重,使得每次迭代中,粒子可以根据当前状态在每个维度上的搜索空间内选择合适的惯性权重进行状态更新。在6种基准函数下进行了算法的性能测试,结果表明,与随机式惯性权重PSO算法与线性递减惯性权重PSO-LDIW算法相比,该算法可以获得更好的粒子分布和收敛性。

【文章页数】：7 页

【部分图文】：

PSO-AIWA算法中D(i,pg)与w的隶属度函数[14]如图1和图2所示,图中δ和θ表示隶属度因子。图2w的隶属度

图1D(i,pg)的隶属度进行粒子更新时,若仅考虑粒子最优位置pi和全局最优粒子Pg,可能导致最终得到局部最优。针对该问题,算法选择若干个最优粒子在确定距离内参与迭代过程。具体地,在每次迭代中,选择任意k个全局最优粒子为候选粒子,通过Roulette方法从k个粒子选择最终的全局....

2)算法收敛性。实验2观察了3种算法的收敛性性能,实验目的是比较3种算法在拥有相同初始数据情况下的收敛速度和效率。实验在完全相同的条件下测试了所有6种基准函数下的收敛性能,其他参数与实验1也是相同的。从图4的结果可以看到,无论是单峰值基准函数还是多峰值基准函数情况,PSO-AI....

图4最优适应度收敛性图4最优适应度收敛性

本文编号：3990603