基于自适应搜索中心的骨干粒子群算法-王东风.pdf
《基于自适应搜索中心的骨干粒子群算法-王东风.pdf》由会员分享,可在线阅读,更多相关《基于自适应搜索中心的骨干粒子群算法-王东风.pdf(16页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、第39卷第12期2016年12月计 算 机 学 报CHINESE JOURNAL OF COMPUTERSV0139 No12Dec2016基于自适应搜索中心的骨干粒子群算法王东风 孟 丽 赵文杰(华北电力大学控制与计算机工程学院河北保定071003)摘要 该文在对标准粒子群算法(Particle Swarm Optimization,PS0)和骨干粒子群算法(Bare Bones ParticleSwarm Optimization,BBPS0)中粒子位置的概率密度函数进行分析比较的基础上,对BBPSO进行了改进,并证明了改进算法以概率1收敛于全局最优解在改进算法中,主要包括如下策略:(1)
2、基于粒子间适应值的差异,提出一种对粒子位置高斯采样均值的自适应调整策略,分析了其作用机理,提出的搜索中心自适应调整策略增加了粒子分布中心的分散度,减缓粒子在中心的聚集趋势;(2)提出了一种“镜像墙”的越界粒子处理方法,该方法能够大幅度地提高算法找到最优解的概率;(3)粒子在不同的进化时期按不同的拓扑结构选取榜样粒子:算法前期主要采用随机结构以增加群体的多样性,算法后期主要采用全局结构以使得搜索更加精细将该文提出的算法与多种形式的改进PSO,如GPSO(Global PSO)、LPSO(Local PSO)、FIPS(Fully Informed Particle Swarm)、CLPSO(Co
3、mprehensiveLearning PSO)、HPSOTVAC(Hierarchical PSO with TimeVarying Acceleration Coefficients)、APS0(AdaptivePSO)、DMSPSO(Dynamic Multi-Swarm PSO)、OPSO(Orthogonal PSO)、OLPSO(Orthogonal Learning PSO)、ALc_PS0(PS0 with an Aging Leader and Challengers)等,以及BBPSO的标准版本和改进版本,如BBJ2(BBPSOwith Jumps)、ABPSO(Adapt
4、ive BBPSO)、SMA-BBPSO(BBPSO with Scale Matrix Adaptation)等,对CEC2013标准函数进行测试,对实验数据进行非参数检验,结果表明该文改进算法的综合表现要优于其他算法关键词粒子群算法;骨干粒子群算法;概率密度;搜索中心;全局收敛中图法分类号TPl8 DOI号1011897SPJ1016201602652Improved Bare Bones Particle Swarm Optimizationwith Adaptive Search CenterWANG DongFeng MENG Li ZHAO WenJie(School of Con
5、trol and Computer Engineering,Noah China Electric Power University,Baoding,Hebei 071003)Abstract In particle swarm optimization(PSO)and bare bones particle swarms optimization(BBPSO),particle positions at every generation can be regarded as random variablesBased onthe comparison of probability densi
6、ty distribution functions of the position variables in the twoalgorithms,this paper proposes an improved bare bones particle swarm optimization algorithm,which is guaranteed to converge to global optimum solution with probability oneThere arefollowing strategies in improved algorithm:(1)According to
7、 the diversity of individual fitness,the mean of Gaussian distribution of each dimension is controlled adaptivelyThe action mechanismof which was analyzedThis strategy can increase the dispersal of distribution center and reducethe concentration of particle around the center;(2)A new boundary condit
8、ion,which works likea mirror wall,is appliedThe method can greatly improve the algorithm to find the optimalsolution in probability;(3)In order to balance the exploration and exploitation ability for differentperiods,particle chooses its exemplar according to different population topologies during e
9、volu一收稿日期:20150118;在线出版日期:20150723本课题得到高等学校博士学科点专项科研基金(20120036120013)、河北省自然科学基金(F2014502059)和中央高校基本科研业务费专项资金(2014MSl39)资助王东风,男,1971年生,博士,教授,主要研究领域为群智能优化算法和智能控制Email:wangdongfengncepubdeduan孟丽,女,1985年生,博士研究生,主要研究方向为群智能优化算法及其应用赵文杰,男,1968年生,博士。副教授,主要研究方向为优化理论和优化控制及其工业应用万方数据12期 王东风等:基于自适应搜索中心的骨干粒子群算法ti
10、onary processAt the beginning of the process,random topology is adopted to increase populationdiversityAt the later stage of the process,global topology is employed for a more accuratesearchThe algorithm is compared with other improved variations of PS0,eg,GPSO(GlobalPSO),LPSO(Local PS0),FIPS(Fully
11、Informed Particle Swarm),CLPSO(ComprehensiveLearning PSO),HPSOTVAC(Hierarchical PSO with TimeVarying Acceleration Coefficients),APSO(Adaptive PS0),DMSPSO(Dynamic MultiSwarm PS0),0PSO(Orthogonal PS0),0LPSO(Orthogonal Learning PSO),ALCPS0(PSO with an Aging Leader and Challengers),and it iS compared wi
12、th the standard version as well as the improved versions of BBPSO,eg,BBJ2(BBPSO with Jumps),ABPSO(Adaptive BBPSO),SMABBPSO(BBPSO with Scale MatrixAdaptation),and SO onThe comparison was done on CEC2013 benchmark functionsNon-parametrictest is carried on experimental dataThe results show that the pro
13、posed algorithm has a betteroverall performance on the test functionsKeywords particle swarm optimization;bare bones particle swarm optimization;probabilitydensity;search center;global convergence1 引 言随着工程优化问题的日益复杂,传统的优化方法已经不能够满足实际的需求,智能优化算法在这种背景下产生并迅速发展智能优化算法是建立在生物智能或物理现象基础上的随机搜索算法,包括模拟退火算法、遗传算法、人工
14、神经网络技术、人工免疫算法和群智能算法等其中,群智能算法通过模拟社会性动物的各种群体行为,利用群体中个体之间的信息交互和合作来实现寻优的目的,如蚁群算法、粒子群算法、混合蛙跳算法、人工蜂群算法、萤火虫算法等在众多的群智能算法中,粒子群优化算法(Particle Swarm Optimization,PSO)自1995年由Kennedy和Eberhart1提出就受到广泛的关注,其基本思想来源于鸟群和鱼群等寻找食物的行为PS0概念简单,易于实现,已被成功应用于参数辨识、电力系统优化、神经网络训练、数据挖掘等多种领域Shi等人2提出了带有惯性权重的PS0,一般将其默认为标准PSO(Standard
15、PSO,SPSO),随后,Kennedy等人3研究了不同的拓扑结构对SPSO性能的影响SPSO存在易早熟收敛,寻优精度不高的缺点,学者们从参数调节、种群拓扑结构以及与其他算法结合等多个方面对其进行了改进在众多对SPSO的改进工作中,有一些被广泛熟知的方法,如FIPS(Fully Informed Particle Swarm)引、CLPSO(Comprehensive Learning PSO)5|、HPSOTVAC(Hierarchical PSO with TimeVarying Acceleration Coefficients)6|、APSO(Adaptive PSO)7|、DMSPS
16、O(Dynamic MultiSwarm PSO)E 8|、OPSO(Orthogonal PSO)91、OLPSO(Orthogonal LearningPSO)10、ALC-PS0(PSO with an Aging Leader andChallengers)1圯等FIPS和CLPSO主要从群体的拓扑结构方面对算法进行改进FIPS中,粒子的更新并不是仅仅利用其邻域内的最优粒子,而是使用邻域内所有成员的历史最优的加权平均值来指导更新;CLPS0中粒子的每一维随机地选择自身或其他粒子为榜样粒子,当某个粒子的停滞代数超过预设值时,重新为其选择榜样粒子HPSOTVAC和APSO都对算法的参数进行
17、了调节HPSOTVAC中学习因子c,和C。随着算法的迭代线性地变化;APSO利用粒子之间的距离提供的信息确定种群所处的状态,根据不同的状态采用不同的参数调整策略DMSPSO将群体分为若干个子群,子群体每经过数代进化后进行重新分组,使得信息能够在整个种群中进行流通OPSO和OLPSO都是将正交实验法引入PSO,OPSO利用正交实验法对群体的初始化进行改进,使得初始种群均匀分布在解空间上;0LPSO通过对粒子的个体极值和邻域内最优粒子进行正交试验,获得更有价值的榜样粒子ALC-PSO在PSO中结合了衰老进化理论的思想,对群体的首领粒子设置寿命和年龄,根据首领粒子的领导能力调整其寿命,当首领粒子的年
18、龄到达其寿命后,生成新的粒子对首领粒子进行挑战以上这些改进使得算法的性能有了很大的提高,但同时也在一万方数据2654 计 算 机 学 报定程度上增加了算法的应用难度虽然SPS0的概念比较简单,但我们对粒子的位置生成仍然没有一个直观的印象,随着对SPSO算法的改进越来越复杂,了解改进算法中的粒子的运行方式也越来越困难Kennedy121于2003年提出了一种更为明晰的粒子群算法的形式:骨干粒子群算法(Bare Bones PSO,BBPSO)BBPSO是在对SPSO中粒子的运行轨迹进行分析的基础上提出的,算法取消了速度项,粒子的位置由服从高斯分布的随机采样直接获得BBPS0的简单协作式的概率搜索
19、方式能够提高算法的搜索效率和精度,并且避免了SPSO算法复杂的参数调节,已被成功应用于约束优化问题114、数据挖掘1 5。、电力系统调控16等多种领域BBPSO在处理单峰问题上,表现出了很好的高效性,然而在一些多峰函数上,BBPSO的效果不甚理想为了增加种群的多样性,Krohling和Mendel17通过高斯分布或柯西分布产生扰动,帮助群体跳出局部最优,但不同的测试函数需要设置不同的扰动幅度Blackwell和Majid18-19提出了两种带有均匀变异的BBPSO(BBPS0 with Jumps,BBJ):BBJl和BBJ2,两种算法中都是通过设置选择概率使粒子可以通过均匀分布产生变异点进行
20、扰动,来减缓种群多样性的丧失,但是过多的变异会造成资源的浪费,过少则不利于群体跳出局部最优Zhang等人口叩提出了ABPSO(Adaptive BBPSO),算法根据粒子的聚散程度和种群的多样性自适应地调节高斯采样的标准差,同时采用变异算子进一步增加群体的多样性除以上对BBPSO的改进方案外,使用重尾分布代替高斯分布产生粒子的新位置也可以增大算法跳出局部极值的机会,Campos等人2蛆将t分布应用在BBPS0的框架中,提出了SMABB(BBPSO with Scale Matrix Adaptation)BBPSO中粒子的更新具有非常直观的物理意义,使得我们能够很容易地去调整粒子重点搜索的范围
21、,因此,BBPSO是一种具有潜力的算法本文首先将某一代进化过程中粒子的可能分布位置视为随机变量,对其概率密度函数进行求取,从一个崭新的角度分析了SPSO和BBPSO中粒子的生成方式,进而说明了BBPSO在多峰函数上不足的原因在此基础上,提出了自适应调整粒子搜索中心的策略,对BBSPO算法进行改进,并在改进算法中使用了新的边界策略,使得计算资源得到充分的利用仿真实验表明,经过改进后的算法在保留了原BBPSO的物理意义明确和搜索高效性的基础上,具有良好的全局搜索能力由于没有引入任何需要调节的参数,改进后的算法依然易于在实际中进行应用2 BBPSO与SPSO的粒子分布比较21两种算法的基本形式BBP
22、SO是在SPSO的基础上衍生出来的,首先给出SPSO的形式,在SPSO中,粒子代表D维寻优空间中的候选解,具有速度和位置两个属性,忌+1时刻粒子i的第d维的速度口谢和位置z缸按式(1)和(2)进行更新:口甜(愚+1)一ztro。d(忌)+C1r1(夕_(愚)一37甜(愚)+fzr2(p“(惫)一z甜(点) (1)z谢(点+1)=z谢(忌)+口耐(忌+1) (2)式中:P讨为个体i的历史最优解,即个体极值;声“为整个群体的历史最优解,即全局极值硼为惯性权重,C。和C:为学习因子,r,和r:为相互独立的服从(o,1)间均匀分布的随机数Clerc和Kennedy22对SPSO中粒子的运行轨迹进行了分
23、析,指出粒子的运行轨迹以Pi和P。的加权平均值为中心进行振荡Kennedy12在此基础上对粒子轨迹振荡的中心和幅值进行了进一步研究,提出了BBPSO,粒子位置的更新直接通过高斯分布采样得到,如式(3)X诏(愚+1)N(弘,。,占毛) (3)其中:N(卢,艿2)表示均值为卢、标准差为艿的高斯分布,p谢一(P讨(是)+夕“(愚)2,乩一l P讨(忌)一P“(愚)I;X甜为表示粒子i第d维位置的随机变量,服从高斯分布,新位置Xi。(忌+1)为X试(忌+1)的一个采样点由高斯采样对粒子i的所有维更新得到置(忌+1)后,对个体极值和全局极值进行更新,以便进行下一代的进化Kennedy同时提出了探索型BB
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 自适应 搜索 中心 骨干 粒子 算法 东风
限制150内