差分和扰动混合的多策略粒子群优化算法

摘要：

通常的粒子群优化算法采取单一的学习策略，不利于搜索信息的有效保留，因此将改进的差分变异策略引入到粒子的速度更新中以增强算法的群体多样性；综合利用差分变异与扰动策略两种不同的产生新解的方式，提出了一种多策略交叉学习机制算法DPPSO（hybrid particle swarm optimization with differential and per-turbation）。每一个粒子通过引进的差分变异操作和扰动操作分别产生一个中间粒子，再选择较好的粒子作为当前粒子的新位置，从而实现所有粒子动态地选择更好的生成策略来更新自己的位置和速度，因此该交叉策略能够有效提高PSO算法的群体多样性和搜索路径的多样性，粒子可以获取更好的启发式信息，沿着不同的路径被引向更有潜力的搜索区域。实验结果表明了两种策略的有效性和互补性，DPPSO算法比其他三种算法有更好的综合表现，具有有效的全局收敛能力和准确定位能力。

关键词：粒子群优化(PSO)、多策略、差分变异、扰动策略、数值优化

分类号：TP18(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant Nos.61105127,61375066,11171040

在线出版日期：2014-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：218-225