论文部分内容阅读
摘 要：与模拟退火算法采用单个个体进行进化不同的是，遗传算法、蚁群算法与粒子群算法都是基于多个智能体的仿生优化算法，具有不确定性、概率全局优化、不依赖于优化问题本身的严格数学特性以及分布式并行等共同点。本文主要探讨自适应模糊的粒子群算法的改进与控制。
关键词：粒子群算法；自适应模糊；控制
一、基本粒子群算法的缺陷
作为一种模拟鸟类迁徙觅食过程建立起来的智能算法，粒子群算法与其他智能算法相比具有非常鲜明的特色，其特点主要表现在：①粒子群算法没有遗传算法所需要的交叉和变异运算，仅依靠通过确定粒子的方向和速度完成搜索，并且在迭代进化过程中通过当前搜索到的最优点gbest（或lbest）向其他的粒子传递信息，从而达到信息共享，这是一种单向信息共享机制，整个搜索更新过程紧跟当前最优解，因此搜索速度快，实验证明，在许多应用问题中，粒子群算法具有比遗传算法更快的收敛速度；②粒子群算法具有记忆特性，可以记忆粒子群的历史最佳位置并传递给其他粒子；③相比于其他仿生群智能算法，粒子群算法是一种原理相当简单的启发式方法，与其他仿生优化算法相比，需要的代码和参数更少；④采用实数编码，问题解的变量数直接作为粒子维数，求解过程直观。但是基本粒子群算法也存在如下缺点：①容易陷入局部最优，收敛早熟以及求解精度低；②不能有效解决离散与组合问题以及很难求解非直角坐标系下表示的实际问题。
二、粒子群算法改进方案
针对上述基本粒子群算法的缺陷，人们提出了许多改进方案，可以归结为三个方面，另一种是将各种先进的理论引入到粒子群算法中，得到改进的粒子群算法；第二种则是将粒子群算法和其他智能优化算法相结合，研究各种混合优化算法，达到取长补短、改善算法某方面性能的效果；另外，基本粒子群算法主要针对连续函数进行搜索运算，但许多的实际问题都呈现为离散的组合优化形式，因此，粒子群算法的离散化就成为第三种改进方法。离散化又存在两条不同的途径：第一种途径是以标准的连续粒子群算法为基础，将所研究的离散问题映射到连续的粒子运动空间，仍然采用标准的粒子群算法速度以及位置更新策略，适当修改标准PSO算法从而得到问题的解；另一种途径是针对离散优化问题，在保持标准粒子群算法基本思想、算法框架以及信息更新本质机理不变的前提下，重新定义合适的粒子群离散表示方式与操作算子以求得问题的解。
三、自适应模糊的粒子群算法的改进与控制
大量的实验表明，前面讨论的惯性权重的方法在求解优化问题时具有下列特点：第一，较大的惯性权重可以加强PSO算法的全局搜索能力，即探索较大的区域，较快地定位最优解的大致位置；较小的惯性权重能加强PSO算法的局部搜索能力，即粒子速度减慢，开始精细的局部搜索；第二，惯性权重都是由大到小变化.尽管所有优化对象的惯性权重都是由大到小地变化，但不同的优化对象有自己的特点，需要惯性权重W按优化对象自己的特点随算法迭代进行某种线性或者非线性减小，特别对于复杂的函数优化问题，每个优化对象有自己相适应的惯性权重下降曲线，寻找一条与优化对象相适应的惯性权重下降曲线是算法的关键。
方法是把有H个粒子的粒子群均分为h个子群，h为惯性权重曲线总数，如5个s参数（-0.95，-0.7，0，2，20）对应5条惯性权重曲线，即h=5；若粒子群的粒子数为50个，则10个粒子组成一个子群，共5个子群.算法开始运行时每个子群按各自的惯性权重曲线独立运行，即第一个子群按s =-0.95的这条曲线运行，第二个子群按s =-0.7的这条曲线运行，依此类推，这样每个子群有自己独立的全局极值，每间隔一定的迭代步数，测出所有子群的全局极值比较，取有最好全局极值的子群替代有最差全局极值的子群，有最差全局极值的子群的惯性权重曲线就去掉了，按有最好全局极值的子群的惯性权重曲线运行，即5个子群合并为4个子群，按4条惯性权重曲线独立运行，如此运行下去可找到一个与优化对象相适应的惯性权重下降曲线.该策略的优点是：一个优化对象在算法运行过程中，以最大概率自动寻找一条较好的惯性权重下降曲线，协调全局搜索能力与局部搜索能力以达到平衡，并有效避免早熟收敛问题，随着搜索的进行，有最好全局极值的子群的粒子数增多，即用于加强对当前搜索到的优良解作进一步的更为充分的搜索，从而加快收敛速度又能找到全局最优解。
Angeline提出了混合PSO算法，主要用PSO算法的基本机制以及演化计算所采用的自然选择机制.由于PSO算法搜索过程依赖gbest和pbest，所以搜索区域有可能被它们限制住，自然选择机制的引入将会逐渐减弱其影响.测试结果显示该法提高了PSO算法的局部搜索能力，但同时削弱了全局搜索能力。
四、结论
粒子群中的粒子被赋予了一个杂交概率，这个杂交概率是用户确定的，与粒子的适应值无关.在每次迭代中，依据杂交概率选取指定数量的粒子放人一个池中，池中的粒子随机地两两杂交，产生相同数量的子代，并用子代粒子取代父代粒子，以保持种群的粒子数目不变。
参考文献：
[1] 赵生慧，吴国新，张三峰等. SOA的QoS研究综述[J]. 计算机科学，2009（04）：112-113.
[2] 余剑峰，李原，于海山等. 基于自适应蚁群算法的协同制造项目资源优化配置[J]. 计算机集成制造系统，2008（03）：78-79.
[3] Andrea D’’ Ambrogio. A Model-driven WSDL Extension for Describing the QoS of Web Services. Proc. of IEEE International Conference on Web Services （ICWS’’06），2011.
关键词：粒子群算法；自适应模糊；控制
一、基本粒子群算法的缺陷
作为一种模拟鸟类迁徙觅食过程建立起来的智能算法，粒子群算法与其他智能算法相比具有非常鲜明的特色，其特点主要表现在：①粒子群算法没有遗传算法所需要的交叉和变异运算，仅依靠通过确定粒子的方向和速度完成搜索，并且在迭代进化过程中通过当前搜索到的最优点gbest（或lbest）向其他的粒子传递信息，从而达到信息共享，这是一种单向信息共享机制，整个搜索更新过程紧跟当前最优解，因此搜索速度快，实验证明，在许多应用问题中，粒子群算法具有比遗传算法更快的收敛速度；②粒子群算法具有记忆特性，可以记忆粒子群的历史最佳位置并传递给其他粒子；③相比于其他仿生群智能算法，粒子群算法是一种原理相当简单的启发式方法，与其他仿生优化算法相比，需要的代码和参数更少；④采用实数编码，问题解的变量数直接作为粒子维数，求解过程直观。但是基本粒子群算法也存在如下缺点：①容易陷入局部最优，收敛早熟以及求解精度低；②不能有效解决离散与组合问题以及很难求解非直角坐标系下表示的实际问题。
二、粒子群算法改进方案
针对上述基本粒子群算法的缺陷，人们提出了许多改进方案，可以归结为三个方面，另一种是将各种先进的理论引入到粒子群算法中，得到改进的粒子群算法；第二种则是将粒子群算法和其他智能优化算法相结合，研究各种混合优化算法，达到取长补短、改善算法某方面性能的效果；另外，基本粒子群算法主要针对连续函数进行搜索运算，但许多的实际问题都呈现为离散的组合优化形式，因此，粒子群算法的离散化就成为第三种改进方法。离散化又存在两条不同的途径：第一种途径是以标准的连续粒子群算法为基础，将所研究的离散问题映射到连续的粒子运动空间，仍然采用标准的粒子群算法速度以及位置更新策略，适当修改标准PSO算法从而得到问题的解；另一种途径是针对离散优化问题，在保持标准粒子群算法基本思想、算法框架以及信息更新本质机理不变的前提下，重新定义合适的粒子群离散表示方式与操作算子以求得问题的解。
三、自适应模糊的粒子群算法的改进与控制
大量的实验表明，前面讨论的惯性权重的方法在求解优化问题时具有下列特点：第一，较大的惯性权重可以加强PSO算法的全局搜索能力，即探索较大的区域，较快地定位最优解的大致位置；较小的惯性权重能加强PSO算法的局部搜索能力，即粒子速度减慢，开始精细的局部搜索；第二，惯性权重都是由大到小变化.尽管所有优化对象的惯性权重都是由大到小地变化，但不同的优化对象有自己的特点，需要惯性权重W按优化对象自己的特点随算法迭代进行某种线性或者非线性减小，特别对于复杂的函数优化问题，每个优化对象有自己相适应的惯性权重下降曲线，寻找一条与优化对象相适应的惯性权重下降曲线是算法的关键。
方法是把有H个粒子的粒子群均分为h个子群，h为惯性权重曲线总数，如5个s参数（-0.95，-0.7，0，2，20）对应5条惯性权重曲线，即h=5；若粒子群的粒子数为50个，则10个粒子组成一个子群，共5个子群.算法开始运行时每个子群按各自的惯性权重曲线独立运行，即第一个子群按s =-0.95的这条曲线运行，第二个子群按s =-0.7的这条曲线运行，依此类推，这样每个子群有自己独立的全局极值，每间隔一定的迭代步数，测出所有子群的全局极值比较，取有最好全局极值的子群替代有最差全局极值的子群，有最差全局极值的子群的惯性权重曲线就去掉了，按有最好全局极值的子群的惯性权重曲线运行，即5个子群合并为4个子群，按4条惯性权重曲线独立运行，如此运行下去可找到一个与优化对象相适应的惯性权重下降曲线.该策略的优点是：一个优化对象在算法运行过程中，以最大概率自动寻找一条较好的惯性权重下降曲线，协调全局搜索能力与局部搜索能力以达到平衡，并有效避免早熟收敛问题，随着搜索的进行，有最好全局极值的子群的粒子数增多，即用于加强对当前搜索到的优良解作进一步的更为充分的搜索，从而加快收敛速度又能找到全局最优解。
Angeline提出了混合PSO算法，主要用PSO算法的基本机制以及演化计算所采用的自然选择机制.由于PSO算法搜索过程依赖gbest和pbest，所以搜索区域有可能被它们限制住，自然选择机制的引入将会逐渐减弱其影响.测试结果显示该法提高了PSO算法的局部搜索能力，但同时削弱了全局搜索能力。
四、结论
粒子群中的粒子被赋予了一个杂交概率，这个杂交概率是用户确定的，与粒子的适应值无关.在每次迭代中，依据杂交概率选取指定数量的粒子放人一个池中，池中的粒子随机地两两杂交，产生相同数量的子代，并用子代粒子取代父代粒子，以保持种群的粒子数目不变。
参考文献：
[1] 赵生慧，吴国新，张三峰等. SOA的QoS研究综述[J]. 计算机科学，2009（04）：112-113.
[2] 余剑峰，李原，于海山等. 基于自适应蚁群算法的协同制造项目资源优化配置[J]. 计算机集成制造系统，2008（03）：78-79.
[3] Andrea D’’ Ambrogio. A Model-driven WSDL Extension for Describing the QoS of Web Services. Proc. of IEEE International Conference on Web Services （ICWS’’06），2011.