随机差分变异粒子群混合优化算法

发布时间：2019-10-25 17:30

【摘要】：针对传统粒子群优化算法与差分进化算法都易出现早熟等问题,提出了一种随机差分变异粒子群混合优化算法。算法结合粒子群与差分算法的各自特点,首先采用差分变异方法产生试探性候选个体,再将其代入到粒子群速度更新公式,引导粒子飞行方向,从而扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解,采用随机差分变异方式对当前最优粒子进行扰动,使算法在有效提高局部开采能力的同时,有效避免停滞现象的发生。算法分别在单峰及多峰等8个测试函数上与3个相关算法进行对比实验,实验结果表明,新的混合算法优于其他对比算法,有效提高了算法的性能。
【图文】：

曲线,变异策略,曲线,算法

?9×10－3Ｒankings3．1252．6252．872．3表4不同变异策略算法比较结果Table4ComparisonresultsofSDMPSOwithdifferentmutationstrategies函数SDMPSO-NULLSDMPSO-CMSDMPSO-SDMSＲ/%MNSMSＲ/%MNSMSＲ/%MNSMf1100－1001．57×101002．34×102f246．30－802．011006．60f357．61－761．331006．04f4100－00．001004．48×102f522－51．604．72×10269．312．13×102f678．50－1006．141001．37×10f789．07－1002．941003．35×10f80－1001．67×1097．711．15图1PSO，DE/current-to-best/1，DEPSO和SDMPSO在f3和f7上的收敛曲线Fig．1ConvergencecurvesofPSO，DE/current-to-best/1，DEPSOandSDMPSOforf3andf74．2．2变异策略分析为研究SDM策略的有效性，将不含变异策略的SDMPSO(SDMPSO-NULL)和集成CM策略的(SDMPSO-CM)作为对比算法与SDMPSO(为表示明确，该实验部分记为SDMPSO-SDM)，实验结果如表4所示。实验记录了每个算法运行30次的变异策略成功率(successfulrate，SＲ)(算法最终运行结果小于阈值1．0×10－5即视为成功

过程图,取值,过程,变异策略

好。同时可见，采用变异策略的SDMPSO算法均比没有采取变异策略的SDMPSO-NULL效果好，说明变异策略是非常有必要的，它在大多数情况下能增加个体逃离局部最优的可能性。就SＲ值表明SDM策略的鲁棒性和稳定性更好。4．2．3参数敏感性分析SDMPSO算法中，CＲ参数的设置大小对算法的性能往往有着很大的影响，CＲ通过对8个测试函数分别在(0，1)取3个不同的值，从算法SDMPSO收敛过程的观测可知，CＲ取较大值0．9时性能达到最佳。由于篇幅的限制，如图2所示，以f6为例，当CＲ取3个不同值时算法收敛到全局最优值的过程。图2CＲ在不同取值下SDMPSO全局收敛过程Fig．2GlobalconvergenceprocessofSDMPSOwhenCＲgetsdifferentvalues5结论为进一步提高标准PSO算法与DE算法的性能，本文提出了SDMPSO算法。通过对PSO与DE算法特性分析，SDMPSO算法采用DE/current-to-best/1变异方法产生一个试探性候选个体，，从而扩大解的探索空间;该个体紧接着被代入到粒子群速度更新公式引导粒子在下一时刻的飞入方向;同时，新算法在每次迭代中，通过SDM策略对当前个体全局最优位gbest进行扰动，有效避免了个体陷入局部最优的可能性。算法对8个单峰及多峰测试函数进行实验，实验结果显示，SDMPSO算法性能上优于其它比较优化算法，能有效平衡对解空间的全局勘探及局部开采能力。同时，算法对SDM变异策略的必要性和有效性进行了进一步的分析，并给出相关重要参数的敏感性分析。值得注意的是算法在f3中仍无法避免陷入局部最优。如何进一步提高优化算法，使其在更加广泛的测试函数中均取得最优解是下一步需要考虑的问题。同时，在下一步的工作中，将新算法应用于盲信号分离等问题，进一步测试算法在解决实际问题中的有效性。参考文献［1］刘波，王凌
【作者单位】：东莞职业技术学院;
【基金】：东莞市社会科技发展项目(2013108101045) 东莞职业技术学院示范建设专项资金(政201614)资助项目
【分类号】：TP18

【相似文献】