改進慣性權重的粒子群優(yōu)化算法

樊偉萍 李秦

（蘭州交通大學數(shù)理學院，甘肅 蘭州 730070）

1 引言

粒子群優(yōu)化算法（PSO）是由Kennedy和Eberhart于1995年通過觀察鳥群尋找棲息地的行為而簡化出的群體智能優(yōu)化算法［1］，具有設置參數(shù)少、易于實現(xiàn)、收斂速度快等優(yōu)點而備受學者的青睞，但是PSO算法易陷入局部最優(yōu)值.為了改善這一問題，學者們先后提出了各種應對策略，張迅等［2］人根據(jù)高斯函數(shù)分布特征設置慣性權重變化策略，文獻［3］基于文獻［2］提出了慣性權重對數(shù)遞減的粒子群算法，并引入對數(shù)調整因子α ，有助于粒子跳出局部極值，提高了算法的全局收斂性.Clerc 提出了帶有收縮因子的PSO算法［4］，整體上具有比標準PSO算法更加高效地收斂性能，但在算法后期的精度比標準PSO算法性能差.總結來說，針對粒子群算法的改進大體上分為參數(shù)設置的改進［5-9］和算法融合改進［10-13］，這些策略一定程度上優(yōu)化了算法性能，提高了PSO 算法的尋優(yōu)效率，但時間和空間消耗比較高，且無法避免粒子易陷入局部最優(yōu)，易早熟的問題.本文在Shi和Eberhart提出的粒子群優(yōu)化算法［2］慣性權重線性遞減的基礎上，添加了隨迭代次數(shù)線性遞增的調節(jié)因子p，使算法在局部搜索能力和全局搜索能力之間得到更好的平衡，同時針對粒子群算法搜索后期易陷入局部最優(yōu)，影響算法優(yōu)化性能的問題，在每次迭代時，對種群中的粒子進行突變操作，從而增強粒子跳出局部最優(yōu)的能力，最后對測試函數(shù)進行尋優(yōu)操作來驗證改進后粒子群優(yōu)化算法（XWPSO）的有效性.

2 粒子群算法

粒子群算法的主要思想是將需要尋優(yōu)的問題的解想象成一只鳥，稱為一個“粒子”，然后讓所有粒子在D 維的搜索空間進行搜索，粒子位置的好壞由定義的適應度函數(shù)評價，并且給每個粒子賦予記憶功能，能夠記憶粒子搜索過程中尋到的最佳位置，同時，各個粒子之間也可以進行信息共享，通過粒子自身經(jīng)驗和同伴的經(jīng)驗來動態(tài)調整粒子位置.

粒子群算法中，粒子之間是相互合作，信息互通的，速度更新公式（1）由三部分組成，第一部分是粒子先前的速度，代表粒子的狀態(tài)；第二部分是粒子的“自我認知”部分，體現(xiàn)粒子的自我思考；第三部分是“社會”部分，體現(xiàn)粒子之間信息共享合作.

3 改進粒子群優(yōu)化算法

Shi 和Eberhart 提出了粒子群優(yōu)化算法［14］慣性權重線性遞減的策略，對粒子群算法進行了修改，引入了慣性權重w.速度公式更改如下：

一定程度上優(yōu)化了文獻［1］粒子的尋優(yōu)性能，但線性遞減的慣性權重并不能如實的反映粒子復雜的搜索過程，尋到的最優(yōu)解精度也不高，為了更進一步優(yōu)化算法性能，文獻［15］在文獻［2］的基礎上將慣性權重w 修改為

考慮了正弦函數(shù)的周期性，又添加了rand（0～1之間）隨機數(shù)，來增加粒子搜索過程的隨機性，但時間損耗較大.

為了進一步提高算法的尋優(yōu)性能和收斂精度，將慣性權重w 調整為

4 實驗與結果分析

4.1 測試函數(shù)

（1）Rastrigin函數(shù)：具有大量極值的多峰函數(shù)，其全局最優(yōu)解和最優(yōu)位置分別為

（2）Griewank函數(shù)：多峰函數(shù)，且其局部極小值均勻分布，全局最優(yōu)解和最優(yōu)位置分別為

（3）Ackley函數(shù)：復雜的多峰函數(shù)，有無數(shù)個極小值點，其全局最優(yōu)解和最優(yōu)位置分別為

4.2 實驗結果及分析

為了驗證本文提出的XWPSO算法的有效性，采用XWPSO、PSO［1］、LPSO［14］、NXPSO［15］四種優(yōu)化算法分別對Rastrigin、Griewank、Ackley三種經(jīng)典函數(shù)進行優(yōu)化，其中在PSO、LPSO、NXPSO優(yōu)化算法中，2=2=1 cc，而在XWPSO 優(yōu)化算法中05.2=2=1 cc，四種算法維度2=D，粒子數(shù)目40=N，搜索范圍［-5，5］，慣性權重w 的變化范圍［0.4，0.9］， 1r ， 2r 在［0，1］之間服從均勻分布的隨機數(shù)，在Matble2016a環(huán)境中運行20次，實驗結果如表1所示

表1 尋優(yōu)結果對比

由表1可以看出，在對Rastrigin函數(shù)優(yōu)化時，基本粒子群算法PSO最優(yōu)值8.0912e-04，平均值為0.036055456；LPSO算法最優(yōu)值1.9263e-05，平均值為0.038160856；NXPSO算法最優(yōu)值1.4231e-05，平均值為8.0043445e-04.而改變慣性權重的XWPSO算法最優(yōu)值6.6352e-07，平均值為2.52246296e-04，在Rastrigin函數(shù)極值的優(yōu)化方面明顯優(yōu)于其他三種算法，更貼近函數(shù)最優(yōu)解0，所以改進的粒子群優(yōu)化算法較其他三種方法更優(yōu).同時對多峰函數(shù)Griewank、Ackley 的優(yōu)化結果可以看到，從得到的最優(yōu)值結果的平均值上來看，XWPSO算法也是明顯優(yōu)于其他算法的，從而驗證了算法的有效性.

圖1 Rastrigin函數(shù)在優(yōu)化算法下的適應度曲線

圖2 Griewank函數(shù)在優(yōu)化算法下的適應度曲線

圖3 Ackley函數(shù)在優(yōu)化算法下的適應度曲線

Rastrigin、Griewank、Ackley 函數(shù)在PSO、LPSO、NXPSO、XWPSO 優(yōu)化算法下的適應度曲線圖如圖1～3所示，XWPSO算法的適應度函數(shù)選用的是測試函數(shù)表達式本身，所以算法尋找到的適應度值就是要尋找的測試函數(shù)極值，從圖中可看出，改進的粒子群算法較其他三種優(yōu)化算法更早地收斂于函數(shù)的最優(yōu)值，并且收斂精度也更高.在Rastrigin函數(shù)優(yōu)化時，PSO算法在第17次迭代時趨于測試函數(shù)最優(yōu)值，LPSO算法在第10次迭代時趨于測試函數(shù)最優(yōu)值，NXPSO算法在第4次迭代時趨于測試函數(shù)最優(yōu)值，XWPSO算法在第3次迭代時就趨于測試函數(shù)最優(yōu)值；在Griewank函數(shù)優(yōu)化時，PSO算法在第12次迭代時趨于測試函數(shù)最優(yōu)值，LPSO算法在第18次迭代時趨于測試函數(shù)最優(yōu)值，NXPSO算法在第11次迭代時趨于測試函數(shù)最優(yōu)值，XWPSO算法在第3次迭代時趨于測試函數(shù)最優(yōu)值；在Ackley函數(shù)優(yōu)化時，PSO算法在第8次迭代時趨于測試函數(shù)最優(yōu)值，LPSO算法在第4次迭代時趨于測試函數(shù)最優(yōu)值，NXPSO 算法在第16 次迭代時趨于測試函數(shù)最優(yōu)值，XWPSO 算法在第5次迭代時趨于測試函數(shù)最優(yōu)值.

從實驗結果可知，改進的粒子群優(yōu)化算法XWPSO較其他幾種優(yōu)化算法具有較強的收斂性和收斂精度，尤其在Rastrigin、Ackley函數(shù)的優(yōu)化效果更明顯，從而也驗證了XWPSO算法的有效性.

5 結語

本文應用的改進粒子群慣性權重的XWPSO在Shi和Eberhart提出的慣性權重線性遞減的基礎上添加了隨迭代次數(shù)線性遞增的調節(jié)因子p，使得改進之后的XWPSO在尋優(yōu)能力和收斂精度上都有所提高，同時將XWPSO 算法與經(jīng)典的PSO、LPSO、NXPSO 算法進行比較，該算法具有更快跳出局部極值，且收斂點更貼近函數(shù)最優(yōu)解，與傳統(tǒng)的PSO、LPSO、NXPSO算法相比較，XWPSO算法在測試函數(shù)維度2=n時尋優(yōu)能力和收斂精度更高.