一种带有二维扰动和自适应学习因子的粒子群算法

摘要：

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优值、后期收敛速度慢和收敛精度低等问题,提出了一种带有二维扰动和自适应学习因子的粒子群算法(TDDALFPSO).首先,提出了自适应惯性权重和学习因子调节算法调节惯性权重、认知系数和社会系数,提高了全局搜索能力和局部搜索能力;然后提出了基于位置、速度二维扰动更新粒子位置的算法,避免了不在最优值区域的全局历史最优值对搜索的误导,提高了算法的收敛速度和精度;最后通过变异一些适应度值最差的粒子,让它们搜索空间中的其他领域,增加了种群的多样性,改善了算法容易陷入早熟的问题.仿真实验表明和基本PSO算法相比,TDDALFPSO在收敛速度、精度和稳定性上有了明显的提高;并且在大多数优化问题上和基于线性惯性权重递减的PSO算法(PSO-W)、基于综合学习的PSO算法(CLPSO)、基于适应值距离比例的PSO算法、基于三角函数动态参数选择的PSO算法(TPSO)和带正弦函数因子的粒子群优化算法(TFPSO)相比,TDDALFPSO在收敛速度、精度和稳定性上都有一定的优势.

关键词：粒子群优化、早熟收敛、二维扰动、自适应学习因子、惯性权重、变异

所属期刊栏目：39

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目61572454,61472382,61272472

在线出版日期：2018-12-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2353-2357