pso算法读书笔记

《pso算法读书笔记》由会员分享，可在线阅读，更多相关《pso算法读书笔记（11页珍藏版）》请在金锄头文库上搜索。

1、异构综合学习粒子群优化与加强探索和开发摘要本文提出了一种全面的学习粒子群算法具有增强探索和开发，命名为“异构 综合学习粒子群优化“（HCLPSO）。在此算法中，粒子群分为两个亚群。每一个 亚群被分配只关注任何探索和开发。全面学习（CL）策略用于产生范例为两个亚 群。在探索类亚群，是通过使用在粒子的个体最好的经验产生的范例是探索亚群 本身。在开发-亚群，个体最好的经历是整个群被用于生成范例。随着探索亚群 不从开发亚群的任何颗粒学习，多样性的探索亚群可即使开发亚群收敛过早被保 留。该异构全面学习粒子群优化算法进行测试的移动和旋转基准的问题，并与其 他最近的粒子群算法相比，证明该算法比其他粒子群算法

2、的性能优越。1、介绍为了解决多峰的，不连续的，非凸和不可微优化问题，研究人员人员开发 制作的通讯资料以群为基础的算法，如粒子群矩阵特殊积（PSO）,遗传算法（GA）, 差分进化（DE），进化策略（ES），进化规划（EP）等。在基于群的算法，找到 的最优解一个问题是基于两个基石，即探索：全局搜索，探索各地搜索空间寻找 有前途地区，和开发：本地搜索，利用已确定潜力的地区微调寻求最佳的解决方 案。以群为基础的算法良好的收敛行为时获得的探索之间的适当平衡与开发过程 中发现。强调探索会导致浪费时间寻找过的下方区域搜索空间并减慢了收敛速 度。另一方面，强调在开发将导致多样性的丧失在搜索过程中的早期，从而可

3、能 被陷成局部最优。因此，在基于群的进化算法，利用开发的搜索空间得到之间的 平衡是很重要。在群为基础的算法，PSO算法容易实现并已在许多优化问题表现良好。PSO 是也已知为具有能够快速收敛到最优。然而，在PSO，所有粒子分享其群的最佳 经验（最好的），可导致颗粒集群围绕最好的。在此情况下，如果最佳附近当地 最低，从局部最优逃离变得困难以及PSO附近受到当地最低多样性的丧失。为了 平衡全局搜索和开发的探索行为在PSO本地搜索的性质，惯性权重被先施和埃伯 哈特提出来。克莱尔和肯尼迪还开发除了制作的通讯资料，另一个控制参数称为 收缩系数控制粒子群的收敛趋势，其中包括探索和开发能力。在自组织分层PSO

4、（HPSO-TVAC）引入随时间变化加速度系数。通过减少认知成分而越来越多的社 会组成部分，全局探索增强为了避免在早期阶段与当地早熟收敛利用增强收敛到 全局最优解在搜索的后期。邻域拓扑控制算法的探索和开发能力，根据信息共享在群中的粒子8， 10。根据调查结果，一个完全知情的PSO（FIPS）提出的信息一从完全连通邻 域信息是用11 ，在12 不同的邻里拓扑结构进行了研究。在13 ，本地 社区和领域的最佳经验一均采用统一的粒子群优化（UPSO），通过结合自己的探 索和开发能力的算法一城市。该文件提到，邻域大小应该是选定适当的权衡之间 的探索和开发。而不是使用邻域拓扑结构来学习信息从其他粒子，提出

5、了全面的 学习粒子群（CLPSO）中的每个粒子从其他粒子的最佳经验，通过综合不同尺寸 综合学习策略14 。在算法，学习概率曲线设置使粒子有不同程度的探索与开发和能力。正交学 习粒子群优化算法（OLPSO），正交学习策略是在一个粒子从它自己的最佳体验 中学习（认知学习）和社区的最佳经验（社会学习）在探索和开发搜索15 。 有效的群利用策略粒子群优化（EPUS-PSO）在16 了。在EPUS-PSO，解决共 享和搜索范围的共享策略建议在粒子中分享最佳信息并避免粒子被困在一个局 部最优。群规模根据一个群管理者的地位，不同的是解决方案搜索16。新的 学习策略称为分散学习策略提出了一种散射粒子群优化算法

6、算法（slpsoa） 17。在分散学习策略，样例（欧洲议会）是由若干个组成分散在解决方案搜 索中的相对高质量的解决方案空间，使粒子探索不同的地区。然后，颗粒选择他 们的典范从EP采用轮盘赌规则和选择的范例是用于一定数量充分利用相应区域 的迭代。一个竞争群（CSO）的开发，不是个体最佳位置和全局最佳位置参与更 新粒子的位置18 。在CSO，两粒子随机选择竞争，输家将更新其从学习者的 地位，从冠军和平均位置的当前群。探索开发的实证分析能力表明，取得了良好 的平衡之间的CSO探索开发18 。在19 ，作为一种新的方法来平衡探索和 开发的粒子群优化，捕食者-猎物优化，结合粒子群优化思想与捕食者-食饵策

7、略。 在捕食的猎物优化器（PPO），一个粒子的引入吸引捕食者最佳粒子群粒子在猎 物被排斥捕食者和最好的。两者之间的平衡受捕食者的相互作用的影响和控制和 猎物粒子。在20 ，吸引力和排斥力的粒子群优化（ARPSO ）介绍了负熵为原 始PSO,鼓励高多样性和令人沮丧的早熟收敛为了获得两者之间的权衡。布莱克 威尔和宾利又介绍了粒子群优化算法的排斥力中性粒子，使探索之间有一个平衡 和开发21 。为了解决探索和开发贸易问题，非均匀粒子群优化算法一在 22,23。在不同种类的粒子群优化算法（HPSO） 23,颗粒在异构群被允许 按照不同的速度和位置更新规则从行为池，从而有探索和利用问题搜索的能力空 间。在

8、24,使用带电粒子的多粒子群（pso-2s）被开发的搜索空间被分割和 2种群被使用，称为主要和辅助。在pso-2s，辅助群在不同的分区中被初始化， 使用带电粒子。后几代，主群是形成的最佳个体的辅助群寻找最佳的。在25 中，合作的方法是应用粒子群算法（cpso-s K）其中搜索维度空间被分割，不同 的群被用来搜索解决方案的不同尺寸。多群思想也被用于在26中寻找多个最 优解并在21,24,27动态环境。从上面提到的粒子群优化算法，它是明显的粒子群优化算法的主要问题是 保持两者之间的平衡和开发和研究人员解决这个问题的建议一不同的方法。受此 启发的方法，用一个算法两个亚群，被称为异构算法（hclpso

9、），在本文中提出 的建议。而不是依靠一种方法粒子群优化算法的探索和开发能力通过以下方法解 决这个问题：通过使用自适应控制参数，通过控制信息共享（或粒子间的拓扑结 构，通过使用学习策略和使用异构群，而不是同质。在本文中，一个异构群的群分为2个亚群。每个亚群被分配分别进行探索 和开发搜寻。没有一个探索和开发的过程过程使其他的。综合学习策略用于生成 学习粒子的典范。粒子群优化算法，从两个样例学习，个体和整个群的最好，可 以造成2个问题。一个是“振荡现象一现象” 28,如果两个经验发生相反方 向。这使得搜索效率低，减慢算法的收敛速度。另一个是“向前一步，一步回现 象” 25 使解向量在某些维度上得到改

10、善和被拒绝的其他维度作为一个典范的 可能良好的价值观在某些方面和其他人可能有良好的价值观在其他方面。因此，为了提取这样有用的信息从不同尺寸的不同颗粒的群，综合学习（CL） 的策略是用来产生一个在该算法中有前途的典范。通过全面的学习策略，探索一 亚群学习不同的维度从其自己的成员以前最好的经验和它的粒子高水平探索能 力。开发亚群从所有粒子的最佳经验中受益群包括整个群的最佳经验和因此，其 颗粒具有很强的开发能力。不同学习概率值被指定为每个粒子在群，这样的粒子 从探索亚群不受开发亚群的影响。以这种方式，粒子之间的信息共享是控制和在 同时，开发亚群可以利用一个新的好的地区发现的探索一亚群。此外，自适应控

11、 制参数的使用加强探索开发的亚群。因此，这种新颖的异构亚群结构是能同时强 调探索和开发没有一个过程不影响其他。本论文的主要工作如下：对粒子群优化算法进行了介绍2节和3节中提出 了 hclpso算法。在4节，所提出的hclpso算法的性能用基准问题和比较其他状 态的粒子群优化算法。研究限制和未来的作品也在4节讨论。最后，论文总结在 5。2、粒子群算法粒子群优化(PS0)是一个以群为基础的优化一优化技术，由Eberhart和 甘乃迪介绍3 。粒子群优化算法受群体行为的启发，如鸟群和鱼群。不互相 碰撞，一群鸟或一个鱼群能够搜索食物或住所。成员集团内的信息共享。各成员 更新方向通过使用自己的调查结果和

12、组的信息。模仿这种社会行为，在粒子群优 化算法3 。在粒子群优化算法中，粒子群中的每个粒子代表一个一个给定的 问题的潜在解决方案。粒子导航调整自己的飞行方向，使用自己的和其他群最佳 的经验，找到最佳的问题。这一现象在3中被规定如下：评=肾十匚讪曲仏凸即一X： j 十(1)在4,5，惯性权重w的定义为线性递减运行时间函数。此外，如1节所述, Clerc和甘乃迪还开发了另一种速度更新使用X称为收缩系数来控制动态特性 粒子群的特征，包括探索和开发一的趋势如下5 ：艸彳+ 口妣曲1强(p坎唧一X：) +饷d盼仗血凶一刈)(4)where constriction coefficient / is ca

13、lculated as2厂”严”“苛 with(p4.(5)12 _ e _ J即2 _ 4炉 | = cx +?2(6)惯性权重粒子群优化算法也用于平衡研究一粒子群优化算法的应用和开发 过程。3、异构综合学习粒子群强化探索开发优化在本文中，以减少不利影响的探索和开发的相互，群被分为2一个用于探索 和开发的亚群，分别一地。为了确定每个粒子的典范选择一个亚群，综合学习策 略（14）简单的单种群算法5、7、11、13之间。在算法，而不是单独的，每 一个粒子在群中能够从所有其他粒子的最佳体验中学习对于不同尺寸。此外，探 索和开发水平通过学习概率曲线可以指定粒子。因此，CL策略选择在所提出的 算法来生

14、成在探索开发的粒子的典范亚群。简要介绍了综合学习策略在3.1节介 绍。该算法被命名为异构算法（hclpso），在第3.2节。3.1、综合学习粒子群优化算法一个粒子的飞行方向是由个体带领自己的记忆体和在原始算法进行。然而， 最优可能远全局最优，可能代表一个不如局部最优的多模态问题。要解决这种情 况，一个全面的学习策略。在算法，粒子的速度使用的所有粒子的pbests更新。 粒子的每一个维度学会从不同的颗粒pbests不是学习的所有尺寸相同的典范。 这增强了多样性群。用粒子的速度更新的在14 中：在“PS”代表的群规模，选择无论是自己的或别人的记忆体D对于每一个对 应的尺寸随着粒子，随机数生成，每个

15、维度与它的学习概率个体电脑相比，个体 的价值。如果随机数小于PC I值，第i个粒子是由其他粒子的引导记忆体的D 确定的位置，由比赛选择的大小2,即随机选择2个粒子，粒子有更好的选择健 身选择相应的维度。如果随机数比PC的个体，粒子会遵循自己的记忆体位置， 尺寸。因此，样例pbest FI （D）是一个新的位置每个维度从几个粒子pbest位 置学习。整齐为确保粒子的运动提咼pbest，一定数量的评估定义为M和一个新 的算法更新间隙pbest FI （D）将产生如果没有改善为米（令人耳目一新的差距） 连续移动。搜索范围也局限在算法与绑定*, *最大。如果粒子的更新位置是 不束缚，它的价值和pbes

16、t不更新。3. 2、加强探索和异构算法开发探索强调寻找各种可能的解决方案整个搜索空间的区域和开发的重点 在潜在的解决方案区域精炼的有前途的解决方案达到最佳的解决方案。随着探索 和开发一粒子可以在整个搜索空间中飞行找到全局最优。在算法，粒子的每一维 从它自己的最佳位置或其他粒子学习位置。范例的选择是通过比较决定随机数与 学习概率的计算机曲线。随着不同的个体电脑值，粒子有不同程度的探索开发能 力。然而，粒子与探索高的颗粒具有不利影响的趋势开发倾向。因此，为了解决 这个问题平衡和开发搜索算法是探索，加强与探索亚群和开发一亚群与非均法 算法（hclpso ）是本文提出的。在hclpso,群分为两异构亚群。第一类是提高探索一和二亚群的开发利用。 在探索和开发的亚群的典范使用综合性学习（CL）策略与学习概率电脑曲线如图 1所