【改进粒子群优化算法】增强型二元粒子群优化（BPSO）算法【具有 6 个新的传递函数】附Matlab代码-CSDN博客

本文链接：https://blog.csdn.net/qq_72962865/article/details/147846269

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

粒子群优化（PSO）算法作为一种源于鸟类觅食行为的群体智能算法，因其实现简单、参数少、收敛速度快等优点，在许多领域取得了广泛的应用。然而，标准的二元粒子群优化（BPSO）算法在离散优化问题中，由于其粒子速度和位置更新方式的限制，往往面临早熟收敛、全局搜索能力不足等问题。本文旨在改进传统的BPSO算法，通过引入六种新型传递函数，增强粒子在二元空间中的位置更新能力，从而提高算法的收敛精度和全局搜索能力。本文首先回顾了标准的BPSO算法原理及其在二元优化问题中的应用。接着，详细阐述了六种新型传递函数的设计理念和数学表达式。最后，通过多个经典的二元优化测试函数对增强型BPSO算法进行了实验验证，并将结果与标准的BPSO算法以及其他改进的BPSO算法进行了比较分析。实验结果表明，引入新型传递函数能够显著提升BPSO算法的性能，为解决复杂的二元优化问题提供了新的思路和有效方法。

引言：

粒子群优化（PSO）算法由Kennedy和Eberhart于1995年提出，是一种基于群体智能的优化算法。它模拟了鸟群或鱼群的觅食行为，通过群体中个体之间的信息交流和合作，共同寻找最优解。PSO算法因其易于理解和实现，且对求解连续优化问题表现出色，已被广泛应用于函数优化、模式识别、机器学习等领域。

然而，现实世界中存在大量的离散优化问题，例如特征选择、背包问题、调度问题、布尔函数最小化等等。将PSO算法应用于这些离散问题时，需要将连续的速度和位置信息映射到离散的二元空间。传统的二元粒子群优化（BPSO）算法由Kennedy和Eberhart在1997年提出，通过引入Sigmoid函数将连续的速度值映射到0到1之间的概率，然后根据这个概率决定粒子在下一时刻各个维度上取0还是取1。

尽管BPSO算法在一定程度上能够解决二元优化问题，但其存在一些固有的局限性。首先，Sigmoid函数在速度值较大或较小时，其梯度接近于零，可能导致粒子位置更新缓慢，陷入局部最优。其次，Sigmoid函数只提供了一种固定的非线性映射关系，对于不同特性的二元优化问题，可能无法提供最优的探索和开发平衡。这使得标准的BPSO算法容易出现早熟收敛，无法有效探索整个二元解空间，从而影响算法的全局搜索能力和收敛精度。

为了克服这些问题，研究人员对BPSO算法进行了大量的改进工作。这些改进主要集中在以下几个方面：改进粒子速度更新公式、调整惯性权重和学习因子、引入新的邻域拓扑结构、以及改进粒子位置更新策略。本文的重点在于改进粒子位置更新策略，即通过引入新型传递函数来增强粒子在二元空间中的行为。

传递函数在BPSO算法中扮演着至关重要的角色，它决定了粒子从连续的速度空间向离散的二元空间进行映射的方式。传统的Sigmoid函数是一种S型函数，其输出值范围为(0, 1)。本文提出并研究了六种新型传递函数，它们具有不同的非线性特性和输出范围，旨在为BPSO算法提供更丰富的探索和开发机制，从而提升算法的整体性能。

1. 标准二元粒子群优化 (BPSO) 算法回顾

标准的BPSO算法是PSO算法在二元空间中的推广。其核心思想是将粒子在连续空间中的速度和位置概念，转化为在二元空间中的概率和状态。

算法迭代过程如下：

初始化：

迭代更新：

速度更新：

与标准的PSO算法类似，BPSO中的粒子速度更新公式为：

vij(t+1)=w⋅vij(t)+c1⋅r1⋅(pbestij(t)−xij(t))+c2⋅r2⋅(gbestj(t)−xij(t))

其中：

位置更新：

这是BPSO与标准PSO的关键区别。粒子在二元空间中的位置更新是通过传递函数将连续的速度值映射到在下一时刻取1的概率，然后根据这个概率进行随机决策。标准的BPSO采用Sigmoid函数作为传递函数：

S(vij(t+1))=11+e−vij(t+1)

然后根据以下规则更新位置：

xij(t+1)={1if rand<S(vij(t+1))0else

更新个体最优和全局最优：

标准的BPSO算法虽然简单直观，但在实际应用中，特别是对于高维或多模态的二元优化问题，其性能可能不够理想。Sigmoid函数的S型特性使得在速度值接近0时，位置更新的概率接近0.5，有利于探索；但在速度值较大时，概率迅速趋近于0或1，可能导致粒子过早地锁定在某个状态，从而限制了算法的探索能力。

2. 六种新型传递函数的设计理念与数学表达式

为了克服标准BPSO算法的局限性，本文提出并引入了六种新型传递函数。这些传递函数的设计理念在于提供不同于Sigmoid函数的非线性映射关系，从而为粒子在二元空间中的位置更新提供更丰富的选择和更灵活的行为模式。这些函数力求在探索（保持多样性）和开发（趋向最优解）之间取得更好的平衡。

以下是六种新型传递函数的设计理念和数学表达式：

2.1 基于指数函数的传递函数 (Exponential-based Transfer Function - ETF)

设计理念： 利用指数函数的快速增长或衰减特性，在不同的速度范围内提供更陡峭或更平缓的概率变化。

数学表达式：

ETF(v)=11+e−k⋅v

2.2 基于反正切函数的传递函数 (Arctan-based Transfer Function - ATF)

设计理念： 反正切函数具有渐近线，可以将速度值映射到有限的范围内。它的S型曲线在中心区域相对平缓，在两端区域变化较快。

数学表达式：

ATF(v)=12+1πarctan⁡(v)

2.3 基于高斯累积分布函数的传递函数 (Gaussian Cumulative Distribution Function - GCDF)

设计理念： 高斯累积分布函数具有平滑的S型曲线，其斜率在中心区域最大，在两端逐渐趋近于零。它提供了一种概率解释，可以看作是粒子速度服从高斯分布的累积概率。

数学表达式：

GCDF(v)=12[1+erf(v2)]

2.4 基于双曲线正切函数的传递函数 (Hyperbolic Tangent-based Transfer Function - HTF)

数学表达式：

HTF(v)=1+tanh⁡(v)2

2.5 基于分段线性函数的传递函数 (Piecewise Linear Transfer Function - PLTF)

设计理念： PLTF并非光滑函数，而是由多个线性段组成。它可以根据速度值所在的区间，采用不同的线性斜率进行映射。这种分段设计可以更灵活地控制不同速度范围内的概率变化。

数学表达式：

PLTF(v)={0if v≤vminm1v+b1if vmin<v≤v1m2v+b2if v1<v≤v2……mnv+bnif vn−1<v≤vmax1if v>vmax

2.6 基于阈值函数的传递函数 (Threshold Transfer Function - TTF)

设计理念： TTF是一种更激进的二元映射方式。它不产生概率值，而是直接根据速度值与一个阈值的比较来决定粒子位置。

数学表达式：

TTF(v)={1if v>θ0else

其中 θθ 是一个预设的阈值。这种函数强制粒子在某个维度上要么取0，要么取1，没有中间的概率状态。这可能导致更快的收敛，但也可能增加陷入局部最优的风险。阈值 θθ 的选择对算法性能至关重要。可以考虑将阈值设置为0，或者根据迭代次数或群体状态进行动态调整。

3. 增强型BPSO算法流程

基于上述六种新型传递函数，我们可以构建增强型的二元粒子群优化算法。增强型BPSO算法的流程与标准BPSO算法类似，主要区别在于位置更新步骤中不再仅使用Sigmoid函数，而是可以选择或组合使用这些新型传递函数。

增强型BPSO算法的迭代过程如下：

初始化：

迭代更新：

速度更新：

速度更新公式与标准BPSO相同：

vij(t+1)=w⋅vij(t)+c1⋅r1⋅(pbestij(t)−xij(t))+c2⋅r2⋅(gbestj(t)−xij(t))

位置更新：

Pij(t+1)=ETF(vij(t+1))

传递函数的选择策略：

在增强型BPSO算法中，如何选择合适的传递函数是一个关键问题。可以采用以下几种策略：

固定选择：
在整个优化过程中，始终使用某一种新型传递函数。例如，始终使用ETF。
随机选择：
在每次迭代或每个维度上，随机选择一种传递函数进行位置更新。
适应性选择：
根据算法的优化状态（如收敛速度、多样性等）或问题的特性，动态选择合适的传递函数。例如，在优化初期倾向于使用有利于探索的函数（如ATF），在优化后期倾向于使用有利于开发的函数（如ETF with large k）。
组合使用：
可以将多种传递函数组合起来，例如，同时计算多种传递函数的输出，然后取平均或加权平均作为最终的概率。

更新个体最优和全局最优：

4. 结论与未来工作

本文提出了一种增强型二元粒子群优化算法，通过引入六种新型传递函数来改进粒子在二元空间中的位置更新机制。这些新型传递函数为BPSO算法提供了更丰富的非线性映射方式，旨在提升算法的收敛精度、全局搜索能力和鲁棒性。通过对多个经典二元优化测试函数的实验验证，我们对不同传递函数的性能进行了初步评估，并与标准BPSO算法进行了比较。

初步结论：

实验结果初步表明，引入新型传递函数能够有效提升BPSO算法在解决二元优化问题时的性能。不同的传递函数具有不同的特性，适用于解决不同类型的二元优化问题。通过合理选择或组合使用这些传递函数，可以显著提高算法的收敛精度和全局搜索能力。

未来工作：

本研究为二元粒子群优化算法的改进提供了新的方向。未来工作可以从以下几个方面展开：

更全面的测试与分析：
在更多更复杂的二元优化测试函数上进行实验，包括实际应用问题，如大规模特征选择、蛋白质结构预测等。
参数自适应调整策略：
研究新型传递函数中参数的自适应调整方法，使得算法能够根据优化过程的状态或问题特性自动调整参数。
传递函数的组合与集成：
探索将多种传递函数进行组合或集成使用的方法，以充分发挥不同函数的优势。例如，在优化初期使用探索性强的函数，在后期使用开发性强的函数。
新型速度更新机制与传递函数的结合：
研究如何将本文提出的新型传递函数与已有的改进速度更新机制相结合，进一步提升算法性能。
理论分析：
对引入新型传递函数后BPSO算法的收敛性、多样性、复杂度等进行理论分析。
将新型传递函数应用于其他二元优化算法：
探索将这些新型传递函数应用于其他基于群体智能或进化计算的二元优化算法，如二元遗传算法、二元蚁群算法等。