当前位置:主页 > 科技论文 > 自动化论文 >

粒子群优化算法的改进及数值仿真

发布时间:2019-10-29 06:46
【摘要】:提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.
【图文】:

均匀分布,分布函数,图像


Pg,(2)Φ=diag(c1r11+c2r21,…,c1r1n+c2r2n).(3)则式(1)可改写为Vi(t+1)=wVi(t)+Φ(Pi-Xi(t)).(4)所有粒子均按式(4)迭代,可使整个种群逐步逼近全局最优解.2改进粒子群算法本文提出的改进粒子群优化(IPSO),主要针对粒子群初始化、惯性因子设计、速率更新设计和位置越界处理四方面.2.1粒子群初始化图1Beta分布函数图像(a=b=0.8)Fig.1ImageofBetadistributionfunctionwitha=b=0.8优化过程实质上是在解空间搜索最优解的过程,群智能优化的优势在于群体成员相互协作共同向最优解逼近,即“围攻”最优解.因此,种群初始位置的设置在一定程度上影响搜索的进程.传统的按均匀分布随机生成初始位置的方法,简单易行,但不利于形成对最优解的“包围”.为使初始位置有效包围最优解,本文提出一种基于Beta分布的种群初始化方法.Beta分布函数定义为β(x)=xa-1(1-x)b-1B(a,b),0<x<1,(5)其中分母是β函数,定义为B(a,b)=∫10ta-1(1-t)b-1dt,(6)其中a=b<1.此时,密度函数的形状是一个对称的U型.候选解最有可能位于搜索空间的边界附近,因此全局最优解被较好地“包围”在初始粒子种群内.实验表明,当a=b=0.8时,初始化效果较好,该分布在区间(

动态特性,取值,特性,越界处理


图2λ-1gammaincinv(λ,1-a)在a∈(0,1]时的特性Fig.2Characteristicsofλ-1gammaincinv(λ,1-a)witha∈(0,1]图3不同α取值下(1-t/maxItr)α的动态特性Fig.3Dynamiccharacteristicsof(1-t/maxItr)αunderdifferentαvalues方法,该方法的优点是实现简单,但由于边界点一定不是全局最优解,因此这种方法对优化进程不利.所以本文采用基于边界对称映射的新方法.处理方法为:令[minj,maxj]为第j维寻优区间,若Xij越界,,则按X′ij=min(maxj,2minj-Xij),Xij<minj,max(minj,2maxj-Xij),Xij>maxjp舙膒疲ǎ保保┩迹椿诒呓缍猿朴成涞脑浇绱矸椒ǎ疲椋纾矗茫颍铮螅螅猓铮酰睿洌幔颍簦颍澹幔簦恚澹睿簦恚澹簦瑁铮洌猓幔螅澹洌铮睿螅恚恚澹簦颍恚幔穑穑椋睿绱恚鲜鲈浇绱矸椒ǹ捎猛迹粗惫鄣乇硎荆玻抵罩固跫罩固跫缮柚梦茹兄担吹弊钣沤獾哪勘旰荡锏侥持志纫蠛蟮罩梗灰部缮柚梦薅ú绞吹钡酱锵薅ú绞螅蘼凼欠衤憔纫蟮罩梗疚难≡裣薅ú绞魑罩固跫玻叮桑校樱系乃惴鞒瘫疚奶岢龅模桑校樱纤惴鞒倘缦拢海保┎问跏蓟ㄖ秩汗婺!⒖占湮⑷忠蜃印⒆陨硪蜃印⒐咝砸蜃拥纳舷抻胂孪蕖⑾

本文编号:2553415

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2553415.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户86aff***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com