自適應學習因子的混沌二進制粒子群優化算法

邱飛岳,王京京

(浙江工業大學 教育科學與技術學院，浙江 杭州 310023)

粒子群優化算法是一種模擬鳥群覓食行為的群體智能優化算法[1]，由于粒子群優化算法與其他算法相比具有參數少、實現簡單等優點，因此被廣泛地應用到了實際的眾多優化問題中[2-5]。不論是用于解決連續性質問題的粒子群算法，還是解決離散問題的二進制粒子群算法[6]，二者都涉及到種群的全局與局部兩種搜索能力，這兩種能力決定了算法的收斂性能。而粒子群算法中的學習因子對算法的全局與局部搜索能力有著重要影響，傳統的粒子群算法采用固定學習因子方式，不能隨著種群的進化狀態實現動態調整。為了緩解粒子群優化算法出現的早熟收斂現象，提升算法的收斂性能，相關學者提出了不同改進策略的粒子群優化算法。受慣性權重隨時間變化策略的啟發，Wang等[7-8]通過學習因子初始值與迭代次數共同實現學習因子的動態調整，使學習因子隨時間的變化而變化；董輝等[9]提出學習因子與尋優代數成反比變化的更新策略；但是只根據尋優代數簡單的關系進行學習因子調整，并不能利用種群進化狀態精確調整學習因子。趙遠東等[10-11]提出學習因子隨慣性權重變化而變化的策略，在慣性權重隨時間改變時，學習因子發出相應的遞減或遞增策略，通過慣性權重與學習因子的相互作用實現算法全局與局部搜索能力的平衡。雖然學習因子隨著慣性權重的變化能夠實現參數調整的靈活性與針對性，但慣性權重主要是對粒子速度產生影響，卻不能反映當前種群的整體尋優狀態。……