速度暂停粒子群算法：一种新的全局优化方法

---

1.摘要

粒子群优化算法（PSO）是一种高效的元启发式算法，特别适合解决多样的优化问题。然而，PSO面临着收敛速度慢和易陷入局部最优的问题，这在处理高维问题时尤为明显。为了解决这些问题，本文引入了一种名为速度暂停（velocity pausing）的改进策略，创建了VPPSO变体。VPPSO通过在迭代过程中让粒子保持与前一迭代相同的速度，有效增强了算法在探索与利用之间的平衡。

2.算法原理

【智能算法】粒子群算法（PSO）原理及实现

3.速度暂停粒子群算法

速度暂停粒子群算法（VPPSO）中，粒子不必在每次迭代时更新其速度，而是可以选择保持前一迭代的速度，从而实现三种速度模式：更快、更慢和恒定。这一机制的引入，不仅增加了运动的多样性，而且有助于更好地平衡探索与利用的关系，避免了传统PSO中常见的过早收敛问题。速度更新：
$$V_i(t+1)=\{\begin{array}{ll}{V}_i(t)& \text{if}rand<\alpha \\ w{V}_i(t)& \text{Otherwise}\\ +c_1{r}_3(Pbes{t}_i(t)-X_i(t))& \\ +c_2{r}_4(gbest(t)-X_i(t))& \end{array}$$

VPPSO通过引入速度暂停参数 a 来控制粒子的速度更新。当 a 的值大于 1 时，粒子将按照传PSO 算法的方式更新速度。如果 a 值过低，粒子将被迫以恒定速度移动，限制了速度的变化范围：
$$\begin{gathered} V_i(t+1)=V_i(t{)}^{r_{5}a(t)}+c_1{r}_6(Pbes{t}_i(t)-X_i(t)) \\ +c_2{r}_7(gbest(t)-X_i(t)) \end{gathered}$$
其中，参数表述为：
$$a(t)={\exp }^{-{\left(\frac{bt}{T}\right)}^b}$$

为了提升算法性能，避免过早收敛并保持种群多样性，VPPSO将种群分为两个不同的群体。第一群体包括 N1 个粒子，这些粒子在粒子群算法（PSO）框架下更新其速度和位置，但引入了两个关键的修改：一是调整速度方程的第一项，二是采用了速度暂停概念，以增强粒子在探索和开发之间的平衡。第二群体则包括 N2 个粒子，这些粒子完全依赖全局最优解（gbest）来更新位置，不涉及速度的更新。通过这种双群体策略，算法能够在保持探索多样性的同时，有效地减少因粒子过早聚集而导致的局部最优陷阱：
$$X_i(t+1)=\{\begin{array}{ll}gbest+a(t)r_8|gbest{|}^{a(t)}& \text{if}{r}_9<0.5\\ gbest-a(t)r_{10}|gbest{|}^{a(t)}& \text{Otherwise}\end{array}$$

流程图

伪代码

3.结果展示

CEC2005

4.参考文献

[1] Shami T M, Mirjalili S, Al-Eryani Y, et al. Velocity pausing particle swarm optimization: A novel variant for global optimization[J]. Neural Computing and Applications, 2023, 35(12): 9193-9223.

5.代码获取