黃毅 柳先輝 趙衛(wèi)東

摘要：近來，粒子群優(yōu)化算法在許多工程應(yīng)用領(lǐng)域取得關(guān)注和使用。這個算法受自然界鳥類活動的啟發(fā)，形成了一個簡單有效的最優(yōu)化算法。有許多研究者通過組合其他heuristics算法和PSO算法的優(yōu)點，產(chǎn)生了許多混合算法，大大提高了PSO算法的表現(xiàn)?；谝陨纤枷?，提出了一種使用粒子所在周邊信息的改進PSO算法。使用4個典型的非線性優(yōu)化問題來測試和標準PSO算法的性能差異。

關(guān)鍵詞：PSO；混合算法；最優(yōu)化；周邊信息

中圖分類號：TP301.6文獻標識碼：A文章編號：1009-3044(2012)16-3973-04

Using Neighbor Information to Improve PSO Algorithm

HUANG Yi, LIU Xian-hui, ZHAO Wei-dong

(Department of Electronics and Information Engineering, Tongji University, Shanghai 201804, China)

Abstract: Recently, particle swarm optimization algorithm has got a lot of attention and been used in many engineering applications. This algorithm is inspired by nature bird activities and becomes a simple and effective optimization algorithm. Many researchers proposed many hybrid algorithms through a combination of the advantage of other heuristics algorithm and PSO algorithm, greatly improving the perfor? mance of the PSO algorithm. Based on above ideas, an improved PSO algorithm by using neighbor information surrounding the particle is proposed. The performance of the improved algorithm is tested by using four typical non-linear optimization and compared with that of basic PSO.

Key words: PSO; hybrid algorithm; optimization; neighbor information

群體智能算法是一門新興的優(yōu)化計算方法，自從20世紀80年代出現(xiàn)以來，引起了多個學(xué)科領(lǐng)域科研人員的關(guān)注，已經(jīng)成為了優(yōu)化技術(shù)領(lǐng)域的一個研究重點，是人工智能以及經(jīng)濟、社會、生物等交叉學(xué)科的熱點和前沿領(lǐng)域。

PSO算法最早是1995年由Kennedy和Eberhart提出的，來解決單目標或多目標連續(xù)優(yōu)化問題[1]?，F(xiàn)在PSO擴展到處理組合優(yōu)化問題(combinatorial optimization problems)。算法實現(xiàn)的簡單；在各種問題中有良好的優(yōu)化能力；因此PSO算法，廣泛用于多對象優(yōu)化，參數(shù)尋優(yōu)[1]。PSO算法缺點在于，有計算復(fù)雜性高和容易陷入局部最優(yōu)點的問題。這些缺點限制了PSO的應(yīng)用。因此，大量的研究工作集中于各種參數(shù)的改進[6]，以及混合算法的設(shè)計[3][4][5]。他們的方法在提高了PSO算法表現(xiàn)的同時，也額外地增加了計算的復(fù)雜度或開銷。

在整個PSO算法中，粒子局部最優(yōu)點的選擇起著很大的影響和作用。通過選擇某些符合條件的特定粒子，使用其周邊信息，來提高局部最優(yōu)點的準確度，從而提高整個算法的性能。該文在借鑒CLS-PSO算法[3]的基礎(chǔ)上，在粒子局部最優(yōu)點的選擇準確度上有所改進，不僅保留了PSO的全局探索能力，而且提高了算法的準確度。

通過模擬實驗，我們得到了圖2，3，4，5的結(jié)果。我們可以清楚地發(fā)現(xiàn)，改進的PSO算法的表現(xiàn)性能優(yōu)于標準PSO算法。仔細觀察各表，我們也可以發(fā)現(xiàn)2者在迭代次數(shù)為100到1000次之間時，性能有不小的提升（如圖2），而超過1000次以后，性能基本保持不變，在少數(shù)情況下，反而會有所下降（如圖5）。

改進PSO算法為什么對Griewank函數(shù)的效果會隨著迭代次數(shù)的增加而下降的原因，我們現(xiàn)在還不得而知。一個可能的原因是函數(shù)的邊界以及實驗的設(shè)定。我們在以后會更加深入探討這個問題。然而，從上面得到的實驗結(jié)果，可以看出改進的PSO算法明顯優(yōu)于標準PSO算法。

該文提出了一種基于周邊信息的PSO改進算法，通過與標準PSO算法進行多次實驗比較與性能分析。通過實驗結(jié)果，我們可以得出改進的PSO算法的表現(xiàn)優(yōu)于標準PSO算法的結(jié)論。為了對算法有更進一步的研究，我們在以后還需要對更多地優(yōu)化函數(shù)進行分析測試，另外改進PSO算法的邊界選取策略和迭代次數(shù)還需要更進一步的研究。在我們將來的研究中，我們會進行更多的實驗來理解PSO算法的行為與表現(xiàn)。

[1] Shi Y H,Eberhart R C.A modified particle swarm optimization[C].Proceedings of IEEE International Conference on Evolutionary Computa? tion,1998:69-73.

[2] RAHMATIZADEH S H,SHAH-HOSSEINI H,TORKAMAN H.The Ant-Bee routing algorithm: a new agent based Nature-Inspired rout? ing algorithm[J].Journal of Applied science,2009,9(5):983-987.

[3] LI XIANG,LIANG XIMING,YAN GANG,etc.Using co-line search technique to improve performance of PSO[J].Control Conference,CCC 2008,27th Chinese,2008:49-52.

[4] SOUDAN,SAAD.An evolutionary dynamic population size PSO implementation[C].Information and Communication Technologies:From Theory to Applications, 2008, 3rd International Conference,2008:1-5.

[5] JIE JING,ZENG JIANCHAO.Particle swarm optimization with diversity controlled acceleration coefficients[C]. Natural Computation, 2007, 3rd International Conference, 2007:150-154.

[6] PARSOPOULOS K E,VARAHATIS M N.Parameter selection and adaptation in unified particle swarm optimization[J].Journal on Mathe? matical and Computer Modeling,2007(46):198-213.

[7] Li T S.Applying wavelets transform and support vector machine for copper clad laminate defects classification[J].Computers & Industrial Engineering,2009,56:1154-1168.

[8] Vapnik V N.An overview of statistical learning theory[J].IEEE Transaction on Neural Networks,1999,10(5):988-999.