改进粒子速度和位置更新公式的粒子群优化算法

已于 2023-04-26 11:31:49 修改
阅读量8.6k 收藏 103
点赞数 26
分类专栏： 最优化问题 matlab 文章标签： matlab 改进粒子群优化算法
于 2022-11-11 20:25:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43821559/article/details/127807103
版权

文章目录

一、理论基础

1、相关工作

1.1 标准粒子群优化算法

标准PSO算法中，粒子通过学习自身历史经验( pbest \text{pbest} pbest)与群体经验( gbest \text{gbest} gbest)寻找最优粒子。对于求解变量为 X = { x 1 , x 2 , ⋯   , x D } X=\{x_1,x_2,\cdots,x_D\} X={x1​,x2​,⋯,xD​}、目标函数为 min ⁡ { f ( x ) } \min\{f(x)\} min{f(x)}的优化问题，标准PSO算法粒子更新公式为式(1)和式(2)。 v i d ( t + 1 ) = w v i d ( t ) + c 1 r 1 ( pbest i d − x i d ( t ) ) + c 2 r 2 ( gbest d − x i d ( t ) ) (1) v_{id}(t+1)=wv_{id}(t)+c_1r_1(\text{pbest}_{id}-x_{id}(t))+c_2r_2(\text{gbest}_d-x_{id}(t))\tag{1} vid​(t+1)=wvid​(t)+c1​r1​(pbestid​−xid​(t))+c2​r2​(gbestd​−xid​(t))(1) x i d ( t + 1 ) = x i d ( t ) + v i d ( t + 1 ) (2) x_{id}(t+1)=x_{id}(t)+v_{id}(t+1)\tag{2} xid​(t+1)=xid​(t)+vid​(t+1)(2)其中， v i d ( t + 1 ) v_{id}(t+1) vid​(t+1)和 x i d ( t + 1 ) x_{id}(t+1) xid​(t+1)分别为粒子 i i i在 t + 1 t+1 t+1代的速度和位置； w w w是惯性权重，标准PSO算法中 w w w随迭代次数线性递减； c 1 c_1 c1​和 c 2 c_2 c2​为学习因子，通常取值为2； r 1 r_1 r1​和 r 2 r_2 r2​是 [ 0 , 1 ] [0,1] [0,1]均匀分布的随机数。

1.2 粒子速度更新公式的改进

文献[1]提出一种均值粒子群优化(MeanPSO)算法，即利用个体最优和群体最优的线性组合 pbest i d + gbest d 2 \displaystyle\frac{\text{pbest}_{id}+\text{gbest}_{d}}{2} 2pbestid​+gbestd​​和 pbest i d − gbest d 2 \displaystyle\frac{\text{pbest}_{id}-\text{gbest}_{d}}{2} 2pbestid​−gbestd​​分别替换公式(1)中 pbest i d \text{pbest}_{id} pbestid​和 gbest d \text{gbest}_d gbestd​，得到新的粒子速度更新公式，为式(3)。 v i d ( t + 1 ) = w v i d ( t ) + c 1 r 1 ( pbest i d + gbest d 2 − x i d ( t ) ) + c 2 r 2 ( pbest i d − gbest d 2 − x i d ( t ) ) (3) v_{id}(t+1)=wv_{id}(t)+c_1r_1\left(\frac{\text{pbest}_{id}+\text{gbest}_{d}}{2}-x_{id}(t)\right)+c_2r_2\left(\frac{\text{pbest}_{id}-\text{gbest}_{d}}{2}-x_{id}(t)\right)\tag{3} vid​(t+1)=wvid​(t)+c1​r1​(2pbestid​+gbestd​​−xid​(t))+c2​r2​(2pbestid​−gbestd​​−xid​(t))(3)MeanPSO算法中粒子搜索区间更广，使得算法在进化前期有更大可能搜索到全局最优解。

1.3 粒子位置更新公式的改进

文献[2]提出一种带有平均维度信息的分层简化粒子群优化(PHSPSO)算法，PHSPSO算法舍弃PSO算法中粒子速度更新项，并引入平均维度信息概念，即每个粒子所有维信息的平均值，计算公式为式(4)。同时PHSPSO算法将粒子位置更新公式分解为3种模式，分别为式(5)、(6)和(7)。 p a d ( t ) = 1 D ∑ i = 1 D x i d ( t ) (4) p_{ad}(t)=\frac1D\sum_{i=1}^Dx_{id}(t)\tag{4} pad​(t)=D1​i=1∑D​xid​(t)(4) x i d ( t + 1 ) = w x i d ( t ) + c 1 r 1 ( pbest i d − x i d ( t ) ) (5) x_{id}(t+1)=wx_{id}(t)+c_1r_1(\text{pbest}_{id}-x_{id}(t))\tag{5} xid​(t+1)=wxid​(t)+c1​r1​(pbestid​−xid​(t))(5) x i d ( t + 1 ) = w x i d ( t ) + c 2 r 2 ( gbest d − x i d ( t ) ) (6) x_{id}(t+1)=wx_{id}(t)+c_2r_2(\text{gbest}_d-x_{id}(t))\tag{6} xid​(t+1)=wxid​(t)+c2​r2​(gbestd​−xid​(t))(6) x i d ( t + 1 ) = w x i d ( t ) + c 3 r 3 ( p a d − x i d ( t ) ) (7) x_{id}(t+1)=wx_{id}(t)+c_3r_3(p_{ad}-x_{id}(t))\tag{7} xid​(t+1)=wxid​(t)+c3​r3​(pad​−xid​(t))(7)其中，式(5)有助于算法的全局开发能力；式(6)有助于算法的局部开发能力，帮助算法跳出局部最优；式(7)有助于提升算法的收敛速度。在迭代过程中，算法基于概率选择不同的模式来更新粒子位置。
文献[3]指出采用“ X = X + V X=X+V X=X+V”来更新粒子位置有助于提高算法的局部开发能力，而“ X = w X + ( 1 − w ) V X=wX+(1-w)V X=wX+(1−w)V”有助于提高算法的全局探索能力，基于此本文提出一种自适应粒子位置更新机制，如式(8)和(9)所示。 p i = exp ⁡ ( fit ( x i ( t ) ) ) exp ⁡ ( 1 N ∑ i = 1 N fit ( x i ( t ) ) ) (8) p_i=\frac{\exp(\text{fit}(x_i(t)))}{\exp\left(\displaystyle\frac1N\sum_{i=1}^N\text{fit}(x_i(t))\right)}\tag{8} pi​=exp(N1​i=1∑N​fit(xi​(t)))exp(fit(xi​(t)))​(8) x i d ( t + 1 ) = { w x i d ( t ) + ( 1 − w ) v i d ( t + 1 ) , p i > rand x i d ( t ) + v i d ( t + 1 ) , else (9) x_{id}(t+1)=\begin{dcases}wx_{id}(t)+(1-w)v_{id}(t+1),\quad p_i>\text{rand}\\[2ex]x_{id}(t)+v_{id}(t+1),\quad\quad\quad\quad\quad\text{else}\end{dcases}\tag{9} xid​(t+1)=⎩ ⎨ ⎧​wxid​(t)+(1−w)vid​(t+1),pi​>randxid​(t)+vid​(t+1),else​(9)其中， fit ( ⋅ ) \text{fit}(\cdot) fit(⋅)为粒子的适应度值， N N N为种群中粒子个数。式(8)中 p i p_i pi​表示当前粒子适应度值与种群中所有粒子平均适应度值的比值，当 p i p_i pi​较大时，当前粒子的适应度值远大于种群中所有粒子平均适应度值，此时应采用“ X = w X + ( 1 − w ) V X=wX+(1-w)V X=wX+(1−w)V”更新粒子位置以增强算法的全局探索能力，否则采用“ X = X + V X=X+V X=X+V”来更新粒子位置，来保证算法的局部开发能力。

2、改进算法

2.1 粒子速度和位置自适应更新策略

文献[4]结合以上分析提出一种新的自适应粒子速度和位置更新策略，如式(10)和(11)所示。 { v i d ( t + 1 ) = w v i d ( t ) + c 1 r 1 ( pbest i d + gbest d 2 − x i d ( t ) ) + c 2 r 2 ( pbest i d − gbest d 2 − x i d ( t ) ) x i d ( t + 1 ) = w x i d ( t ) + ( 1 − w ) v i d ( t + 1 ) (10) \begin{dcases}v_{id}(t+1)=wv_{id}(t)+c_1r_1\left(\frac{\text{pbest}_{id}+\text{gbest}_{d}}{2}-x_{id}(t)\right)+c_2r_2\left(\frac{\text{pbest}_{id}-\text{gbest}_{d}}{2}-x_{id}(t)\right)\\[2ex]x_{id}(t+1)=wx_{id}(t)+(1-w)v_{id}(t+1)\end{dcases}\tag{10} ⎩ ⎨ ⎧​vid​(t+1)=wvid​(t)+c1​r1​(2pbestid​+gbestd​​−xid​(t))+c2​r2​(2pbestid​−gbestd​​−xid​(t))xid​(t+1)=wxid​(t)+(1−w)vid​(t+1)​(10) { v i d ( t + 1 ) = w v i d ( t ) + c 1 r 1 ( p a d − x i d ( t ) ) + c 2 r 2 ( gbest d − x i d ( t ) ) x i d ( t + 1 ) = x i d ( t ) + v i d ( t + 1 ) (11) \begin{dcases}v_{id}(t+1)=wv_{id}(t)+c_1r_1\left(p_{ad}-x_{id}(t)\right)+c_2r_2\left(\text{gbest}_d-x_{id}(t)\right)\\[2ex]x_{id}(t+1)=x_{id}(t)+v_{id}(t+1)\end{dcases}\tag{11} ⎩ ⎨ ⎧​vid​(t+1)=wvid​(t)+c1​r1​(pad​−xid​(t))+c2​r2​(gbestd​−xid​(t))xid​(t+1)=xid​(t)+vid​(t+1)​(11)上述自适应策略借鉴文献[3]中 p i p_i pi​作为自适应判定条件。当 p i > δ p_i>\delta pi​>δ时，当前粒子的适应度值远大于种群中所有粒子平均适应度值，表明算法处于搜索初期或者当前粒子分布较为分散，此时应采用式(10)更新粒子速度和位置。式(10)在速度更新项中引入个体最优和群体最优的线性组合，能够使粒子的搜索空间更广，从而提高算法搜索到全局最优解的可能性，而位置更新则采用“ X = w X + ( 1 − w ) V X=wX+(1-w)V X=wX+(1−w)V”来提高算法的全局搜索能力；当 p i < δ p_i<\delta pi​<δ时，当前粒子的适应度值与种群中所有粒子平均适应度值相差不大，表明算法处于搜索中后期或者当前粒子分布较为集中，此时应采用式(11)更新粒子速度和位置。在式(11)中，位置更新采用“ X = X + V X=X+V X=X+V”来保证算法局部开发能力，防止算法在求解复杂多峰函数时陷入局部最优，而将粒子平均维度信息 p a d p_{ad} pad​引入到粒子速度更新公式中，提高算法的收敛速度。

2.2 惯性权重的选取

惯性权重 w w w是PSO算法的重要参数之一，它可以平衡算法全局探索能力和局部开发能力，标准PSO算法采用线性递减 w w w，这种线性调整的方式可以在一定程度上平衡算法探索能力与开发能力，而在面对复杂非线性多维函数优化问题时，算法容易陷入局部最优解。因此，为更好改善算法性能，一些学者提出惯性权重非线性调整策略。文献[4]采用文献[3]提出的基于Logistic混沌映射非线性变化惯性权重 w w w。
混沌映射作为一种非线性映射，因其所产生的混沌序列具有良好随机性和空间遍历性，在进化计算中得到广泛应用，其中Logistic映射应用较为广泛，它可以产生 [ 0 , 1 ] [0,1] [0,1]之间的随机数。式(12)给出了Logistic映射的定义， w w w的定义如式(13)。 r ( t + 1 ) = 4 r ( t ) ( 1 − r ( t ) ) ,    r ( 0 ) = rand ,    r ( 0 ) ≠ { 0 , 0.25 , 0.75 , 1 } (12) r(t+1)=4r(t)(1-r(t)),\,\,r(0)=\text{rand},\,\,r(0)\neq\{0,0.25,0.75,1\}\tag{12} r(t+1)=4r(t)(1−r(t)),r(0)=rand,r(0)={0,0.25,0.75,1}(12) w ( t ) = r ( t ) w min ⁡ + ( w max ⁡ − w min ⁡ ) t T max ⁡ (13) w(t)=r(t)w_{\min}+\frac{(w_{\max}-w_{\min})t}{T_{\max}}\tag{13} w(t)=r(t)wmin​+Tmax​(wmax​−wmin​)t​(13)其中， w max ⁡ = 0.9 , w min ⁡ = 0.4 w_{\max}=0.9,w_{\min}=0.4 wmax​=0.9,wmin​=0.4； r ( t ) r(t) r(t)是由式(12)迭代产生的随机数。惯性权重随迭代次数的变化如图1所示。
在这里插入图片描述

图1 惯性权重随迭代次数变化图

2.3 算法实现

算法实现步骤如下：
步骤1 \quad 参数初始化，包括种群规模 N N N，最大迭代次数 T max ⁡ = 1000 T_{\max}=1000 Tmax​=1000，学习因子 c 1 c_1 c1​和 c 2 c_2 c2​，惯性权重 w w w；并在搜索空间内随机初始化粒子位置、速度；
步骤2 \quad 根据给定目标函数计算所有粒子适应度值；
步骤3 \quad 比较种群中所有粒子的适应度值与其经历过的最优位置适应度值的优劣，若前者更优，则用粒子的当前位置替代粒子的个体历史最优位置；
步骤4 \quad 比较种群中所有个体最优位置的适应度值与整个群体经历过的最优位置的适应度值的优劣，若前者更优，则更新全局最优位置；
步骤5 \quad 根据式(8)计算 p i p_i pi​，若 p i > δ p_i>\delta pi​>δ，则利用式(10)更新粒子的速度和位置；否则，利用式(11)更新粒子的速度和位置；
步骤6 \quad 判断是否满足终止条件，若满足，则算法终止并输出最优值；否则，转至步骤2。

二、仿真实验及结果分析

为验证文献[4]所提算法(IPSO-VP)有效性，将文献[4]算法与线性递减惯性权重粒子群优化(LDWPSO)算法[5]、均值粒子群优化(MeanPSO)算法[1]、社会学习粒子群优化(SL-PSO)算法[6]、基于概率分层的简化粒子群优化(PHSPSO)算法[2]、基于终端交叉和转向扰动的粒子群优化(TCSPSO)算法[7]、一种基于自适应策略的改进粒子群优化(MPSO)算法[3]进行对比测试，以文献[4]中表1的12个测试函数为例，使用Matlab软件进行仿真，不同PSO算法设置相同种群规模 N = 100 N=100 N=100、最大迭代次数 T max ⁡ = 1000 T_{\max}=1000 Tmax​=1000和变量维数 D = 30 D=30 D=30，其他参数设置与原文保持一致，具体见文献[4]中表3，每个算法独立运行50次，结果显示如下：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

函数：F1
IPSO-VP：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MeanPSO：最优值: 6.8646e-86, 最差值: 5.9281e-71, 平均值: 1.8817e-72, 标准差: 8.9253e-72
TCSPSO：最优值: 5.6373e-114, 最差值: 4.9045e-55, 平均值: 9.8176e-57, 标准差: 6.9359e-56
LDWPSO：最优值: 0, 最差值: 0.91227, 平均值: 0.039838, 标准差: 0.15901
SL-PSO：最优值: 6.3084e-46, 最差值: 2.8089e-43, 平均值: 3.138e-44, 标准差: 4.5876e-44
PHSPSO：最优值: 0, 最差值: 3.6331e-318, 平均值: 8.7455e-320, 标准差: 0
MPSO：最优值: 2.5347e-73, 最差值: 6.1736e-57, 平均值: 1.2377e-58, 标准差: 8.7304e-58
函数：F2
IPSO-VP：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MeanPSO：最优值: 0, 最差值: 6.1457e-71, 平均值: 2.6063e-72, 标准差: 1.1072e-71
TCSPSO：最优值: 1.3652e-124, 最差值: 1.4709e-54, 平均值: 3.1769e-56, 标准差: 2.0801e-55
LDWPSO：最优值: 0, 最差值: 3284.4655, 平均值: 491.1481, 标准差: 766.9553
SL-PSO：最优值: 8.4655e-46, 最差值: 1.5845e-43, 平均值: 1.9671e-44, 标准差: 2.6786e-44
PHSPSO：最优值: 0, 最差值: 2.3647e-316, 平均值: 9.0693e-318, 标准差: 0
MPSO：最优值: 2.0274e-73, 最差值: 4.6725e-58, 平均值: 9.6728e-60, 标准差: 6.6051e-59
函数：F3
IPSO-VP：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MeanPSO：最优值: 5.283e-96, 最差值: 4.1191e-78, 平均值: 1.1412e-79, 标准差: 5.9438e-79
TCSPSO：最优值: 1.4865e-159, 最差值: 1.3319e-77, 平均值: 2.6639e-79, 标准差: 1.8837e-78
LDWPSO：最优值: 0, 最差值: 5.4479e-10, 平均值: 2.1166e-11, 标准差: 8.3114e-11
SL-PSO：最优值: 2.2139e-118, 最差值: 4.0772e-104, 平均值: 8.4391e-106, 标准差: 5.763e-105
PHSPSO：最优值: 4.6532e-99, 最差值: 1.3859e-77, 平均值: 2.7718e-79, 标准差: 1.9599e-78
MPSO：最优值: 1.8882e-219, 最差值: 1.3464e-178, 平均值: 3.1723e-180, 标准差: 0
函数：F4
IPSO-VP：最优值: 4.5551e-266, 最差值: 5.7613e-243, 平均值: 1.4013e-244, 标准差: 0
MeanPSO：最优值: 0, 最差值: 9.3944e-37, 平均值: 1.1951e-37, 标准差: 2.2013e-37
TCSPSO：最优值: 2.7039e-71, 最差值: 3.0697e-52, 平均值: 1.0024e-53, 标准差: 4.6749e-53
LDWPSO：最优值: 0, 最差值: 20.2796, 平均值: 3.6956, 标准差: 5.2418
SL-PSO：最优值: 2.5159e-24, 最差值: 8.9502e-23, 平均值: 2.5257e-23, 标准差: 1.8106e-23
PHSPSO：最优值: 1.2117e-164, 最差值: 1.4035e-158, 平均值: 6.0033e-160, 标准差: 2.1005e-159
MPSO：最优值: 1.1517e-39, 最差值: 4.4154e-33, 平均值: 1.0053e-34, 标准差: 6.2431e-34
函数：F5
IPSO-VP：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MeanPSO：最优值: 8.3741e-89, 最差值: 3.2567e-69, 平均值: 9.8745e-71, 标准差: 4.7812e-70
TCSPSO：最优值: 7.0918e-143, 最差值: 9.8839e-47, 平均值: 1.9768e-48, 标准差: 1.3978e-47
LDWPSO：最优值: 0, 最差值: 15186.9885, 平均值: 3974.1626, 标准差: 4628.8783
SL-PSO：最优值: 0.0047206, 最差值: 0.4358, 平均值: 0.091848, 标准差: 0.088621
PHSPSO：最优值: 0, 最差值: 3.2058e-305, 平均值: 6.4717e-307, 标准差: 0
MPSO：最优值: 13.8853, 最差值: 1707.2201, 平均值: 312.9347, 标准差: 277.632
函数：F6
IPSO-VP：最优值: 8.8818e-16, 最差值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0
MeanPSO：最优值: 8.8818e-16, 最差值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0
TCSPSO：最优值: 8.8818e-16, 最差值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0
LDWPSO：最优值: 8.8818e-16, 最差值: 13.8122, 平均值: 0.60472, 标准差: 2.7433
SL-PSO：最优值: 4.4409e-15, 最差值: 7.9936e-15, 平均值: 6.7857e-15, 标准差: 1.7e-15
PHSPSO：最优值: 8.8818e-16, 最差值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0
MPSO：最优值: 8.8818e-16, 最差值: 4.4409e-15, 平均值: 4.2277e-15, 标准差: 8.5229e-16
函数：F7
IPSO-VP：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MeanPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
TCSPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
LDWPSO：最优值: 0, 最差值: 104.6241, 平均值: 25.9934, 标准差: 25.9937
SL-PSO：最优值: 8.9546, 最差值: 29.8488, 平均值: 13.81, 标准差: 3.8226
PHSPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MPSO：最优值: 0, 最差值: 74.1012, 平均值: 17.8264, 标准差: 20.8861
函数：F8
IPSO-VP：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MeanPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
TCSPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
LDWPSO：最优值: 0, 最差值: 60.25, 平均值: 15.2192, 标准差: 16.7802
SL-PSO：最优值: 32, 最差值: 53, 平均值: 40.08, 标准差: 5.2014
PHSPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MPSO：最优值: 19.6972, 最差值: 151.837, 平均值: 53.9991, 标准差: 30.5432
函数：F9
IPSO-VP：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MeanPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
TCSPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
LDWPSO：最优值: 0, 最差值: 0.6829, 平均值: 0.040769, 标准差: 0.12944
SL-PSO：最优值: 0, 最差值: 0.0098647, 平均值: 0.00054236, 标准差: 0.0021875
PHSPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
MPSO：最优值: 0, 最差值: 0, 平均值: 0, 标准差: 0
函数：F10
IPSO-VP：最优值: 1.4998e-32, 最差值: 1.4998e-32, 平均值: 1.4998e-32, 标准差: 1.3823e-47
MeanPSO：最优值: 8.0709e-06, 最差值: 1.3233, 平均值: 0.40072, 标准差: 0.41418
TCSPSO：最优值: 0.69528, 最差值: 1.8328, 平均值: 1.2517, 标准差: 0.28216
LDWPSO：最优值: 0.13685, 最差值: 4.7504, 平均值: 0.93702, 标准差: 1.0571
SL-PSO：最优值: 1.4998e-32, 最差值: 0.45432, 平均值: 0.023545, 标准差: 0.091378
PHSPSO：最优值: 7.4448e-09, 最差值: 2.4401e-06, 平均值: 4.3436e-07, 标准差: 5.1923e-07
MPSO：最优值: 0.0085016, 最差值: 0.42659, 平均值: 0.1422, 标准差: 0.10651
函数：F11
IPSO-VP：最优值: 4.6349e-21, 最差值: 1.182e-13, 平均值: 7.1471e-15, 标准差: 2.1663e-14
MeanPSO：最优值: 5.2295e-05, 最差值: 0.13511, 平均值: 0.057518, 标准差: 0.031228
TCSPSO：最优值: 0.056151, 最差值: 0.76795, 平均值: 0.26317, 标准差: 0.16111
LDWPSO：最优值: 0.00092593, 最差值: 2.063, 平均值: 0.074796, 标准差: 0.30378
SL-PSO：最优值: 1.5705e-32, 最差值: 1.5705e-32, 平均值: 1.5705e-32, 标准差: 5.5294e-48
PHSPSO：最优值: 3.2248e-10, 最差值: 1.5657e-07, 平均值: 3.3779e-08, 标准差: 3.4082e-08
MPSO：最优值: 0.00041682, 最差值: 0.010294, 平均值: 0.0019032, 标准差: 0.0020786
函数：F12
IPSO-VP：最优值: 1.3498e-32, 最差值: 3.8301e-24, 平均值: 1.1314e-25, 标准差: 5.6851e-25
MeanPSO：最优值: 8.1743e-05, 最差值: 2.7016, 平均值: 0.8306, 标准差: 0.60677
TCSPSO：最优值: 2.0026, 最差值: 2.998, 平均值: 2.9169, 标准差: 0.23732
LDWPSO：最优值: 0.041643, 最差值: 3.4192, 平均值: 1.2515, 标准差: 0.87477
SL-PSO：最优值: 1.3498e-32, 最差值: 0.010987, 平均值: 0.00065924, 标准差: 0.0026358
PHSPSO：最优值: 4.775e-10, 最差值: 1.4829e-06, 平均值: 3.4713e-07, 标准差: 3.5818e-07
MPSO：最优值: 0.00094959, 最差值: 0.20431, 平均值: 0.013967, 标准差: 0.02913

实验结果表明：IPSO-VP算法在收敛速度和寻优精度方面均优于其他6种改进算法。

三、参考文献

[1] Deep K, Bansal J C. Mean particle swarm optimisation for function optimisation[J]. International Journal of Computational Intelligence Studies, 2009, 1(1): 72-92.
[2] Hao-Ran Liu, Jing-Chuang Cui, Ze-Dan Lu, et al. A hierarchical simple particle swarm optimization with mean dimensional information[J]. Applied Soft Computing, 2019, 76: 712-725.
[3] Hao Liu, Xu-Wei Zhang , Liang-Ping Tu. A modified particle swarm optimization using adaptive strategy[J]. Expert Systems With Applications, 2020, 152: 113353.
[4] 李二超, 高振磊. 改进粒子速度和位置更新公式的粒子群优化算法[J]. 南京师大学报(自然科学版), 2022, 45(1): 118-126.
[5] Y. Shi, R. Eberhart. A modified particle swarm optimizer[C]. 1998 IEEE International Conference on Evolutionary Computation Proceedings. IEEE World Congress on Computational Intelligence (Cat. No.98TH8360), 1998, 4: 69-73.
[6] Ran Cheng, Yaochu Jin. A social learning particle swarm optimization algorithm for scalable optimization[J]. Information Sciences, 2015, 291: 43-60.
[7] XuWei Zhang, Hao Liu, Tong Zhang, et al. Terminal crossover and steering-based particle swarm optimization algorithm with disturbance[J]. Applied Soft Computing Journal, 2019, 85: 105841.

心️升明月
关注
  • 26
    点赞
  • 踩
  • 103
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 20
    评论
专栏目录
灰狼优化算法和粒子群优化算法比较
09-12
标题中的“灰狼优化算法和粒子群优化算法比较”指的是在优化问题中，对两种流行的启发式算法——灰狼优化算法（Grey Wolf Optimizer, GWO）与粒子群优化算法（Particle Swarm Optimization, PSO）的性能进行分析和...
【改进粒子群优化算法】自适应惯性权重粒子群算法（Matlab代码实现）
m0_64583023的博客
05-21 1032
[1]李国庆,陈厚合.改进粒子群优化算法的概率可用输电能力研究[J].中国电机工程学报,2006(24):18-23.
机器学习之PSO粒子群
qq_41359817的博客
09-16 1842
1. 起源        粒子群优化算法（Particle Swarm Optimization，PSO）属于进化算法的一种，是通过模拟鸟群捕食行为设计的。从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质。设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 三个属性 每只鸟自身的飞行惯性 — 自
智能计算——粒子群优化算法（PSO）(C++实现）
qq_31254435的博客
03-20 4583
粒子群优化算法是进化计算的一个分支，是一种模拟自然界的生物活动的随机搜索算法。模拟了自然界鸟群捕食和鱼群捕食的过程。通过群体中的协作寻找到问题的全局最优解。
粒子群算法（PSO）——算法详解（一）
qq_41536160的博客
12-25 9303
PSO的算法配置 粒子的速度更新公式：vi(t+1)=vi(t)+c1⋅r1(t)⋅[yi(t)−xi(t)]+c2⋅r2(t)⋅[y^i(t)−xi(t)]\mathbf v_{i}(t+1)=\mathbf v_{i}(t)+c_1\cdot \mathbf r_{1}(t)\cdot [\mathbf y_{i}(t)-\mathbf x_{i}(t)]+c_2\cdot \mathbf r_{2}(t)\cdot [\hat \mathbf y_{i}(t)-\mathbf x_{i}(t)]vi​
粒子群优化算法(PSO)
热门推荐
MyArrow的专栏
05-26 11万+
1. 概念     粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。     源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解．     PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模
粒子群算法（Particle Swarm Optimization）
n不正
04-10 7873
粒子群算法（Particle Swarm Optimization）  粒子群算法是一种启发式优化算法，1995年由Eberhart和kennedy提出。该算法起源于鸟群捕食的启发，进而利用群体智能在解空间中不断搜索取得最优解。1 基本PSO算法介绍  在粒子群算法中，每个解空间中的点被抽想成为一个d维的粒子，且每一个粒子对应着由目标函数决定的适应度（fitness）。同时每一个粒子对应着解空间中的
混沌粒子群优化算法-CPSO,混沌粒子群优化算法案例,matlab
09-10
在传统粒子群优化算法的基础上，混沌粒子群优化通过引入混沌序列来改进算法的全局搜索能力，避免早熟收敛，提高解的精度和稳定性。 粒子群优化算法是模拟鸟群觅食行为的一种全局优化算法，由多个智能体（粒子）在解...
包含多个速度更新公式的粒子群算法.pdf
09-29
该算法在计算粒子速度时采用了多个计算公式，只要选择了适当的速度更新公式，多公式粒子群算法具有更强的搜索能力和跳出局部最优的能力。 粒子群算法的基本原理是模拟鸟群飞行的人工智能算法。在粒子群算法中，每个...
粒子群优化算法,粒子群优化算法matlab程序,matlab
09-10
粒子群优化算法（Particle Swarm Optimization, PSO）是一种在复杂多维空间中寻找全局最优解的仿生优化算法，源于对鸟群和鱼群集体行为的观察。它由Kennedy和Eberhart于1995年提出，因其简单易实现、适应性强等特点...
基于C++的粒子群优化算法设计与实现
04-29
粒子群优化算法（Particle Swarm Optimization, PSO）是一种在复杂多目标优化问题中广泛应用的全局寻优算法，它源于对鸟群和鱼群集体行为的模拟。本项目以C++编程语言为基础，深入探讨了PSO算法的设计与实现，旨在为...
粒子群优化算法简介
森屹的博客
07-03 3293
粒子群优化算法； Fortran实现；启发式优化算法
粒子群优化算法
weixin_48000166的博客
12-27 676
介绍了粒子群算法并提出一些可以改进的方向并给出了测试集和一个工具箱的链接。
粒子群优化算法（PSO）
qq_44865735的博客
03-25 2万+
先简单介绍一下粒子群优化算法（Particle Swarm Optimization），后边会介绍一些改进的粒子群算法。 1.背景知识 受到鸟群觅食行为的启发(鸟群觅食，通过信息共享使种群找到最优的觅食点)，由社会心理学家JamesKennedy和电气工程师RussellEberhart于1995年提出，用于解决科学工程领域的非线性，非凸性，组合优化问题；在函数优化，图像处理也有广泛的应用。 粒子群优化算法是一种基于数值的优化算法，粒子群优化算法的基础是“信息共享”。具...
捷联惯导数值更新算法-姿态更新+速度更新+位置更新
十八与她的博客
05-25 7505
文章目录姿态更新地球自转角速度和牵连角速度更新姿态速度更新比力方程PSINS源码双子样假设速度更新算法划桨误差补偿算法PSINS源码位置更新计算公式PSINS源码 姿态更新 捷联惯导数值更新算法通常可划分为姿态、速度和位置更新三部分﹐姿态更新算法是核心,其求解精度对整个捷联惯导的精度起着决定性的作用。目前主流的姿态更新求解方法是，先使用陀螺角增量的多子样采样计算等效旋转矢量,补偿转动不可交换误差,再使用等效旋转矢量计算姿态更新四元数。 地球自转角速度和牵连角速度 在考虑n系相对于i系的旋转时，一定要考虑这两
粒子群算法（PSO） C
lin的博客
09-21 5336
粒子群算法的核心的两个公式为： 速度更新公式： Vid(k+1)=wVid(k)+c1r1(Pid(k)-Xid(k))+c2r2(Pgd(k)-Xid(k))* 位置更新公式： Xid(k+1) = Xid(k) + Vid(k+1) w称之为惯性权重，体现的是粒子继承先前速度的能力。 经验表明：一个较大的惯性权重有利于全局搜索，而一个较小的惯性权重则更有利于局部搜索。 为了更好地平衡算法的全局...
粒子群算法（PSO）——算法详解（二）
qq_41536160的博客
12-27 3822
粒子群算法的修正 基础的PSO算法可以成功的解决一些问题，例如数学优化问题、组合问题即多层神经网络训练等。但也存在着算法收敛性与收敛速度等问题，因此对PSO算法有许多修正方法，用于提升性能。这些修改包括引入惯性权重、最大速度、速度收缩、确定个人最佳和全局最佳(或局部最佳)位置的不同方法，以及不同的速度模型。 最大速度 决定优化算法效率和准确性的很重要的一个方面是 exploration–exploitation    trade−offexploration–exploitation\;\; trade-o
粒子群算法运行太慢怎么办？—修改一下就能提速94%
最新发布
配电网和matlab的博客
08-09 2226
不管是初学者还是精通智能优化算法(粒子群算法，遗传算法等)的朋友，相信你们都对智能优化算法运行之慢深有体会，对于比较复杂的问题，经常出现运行一次几小时，调试一次几小时的情况。调试了这么多年代码，智能优化算法对我来说算是老朋友了，平时也积累了一些提高智能优化算法运行效率的办法，在此分享给大家。
粒子群算法位置公式改进
05-19
粒子群算法的位置公式是其中的一个核心公式，它用于计算每个粒子在搜索空间中的位置。传统的粒子群算法位置公式包括两部分：个体经验项和社会经验项。其中个体经验项表示粒子自身的历史最优位置，社会经验项则反映全局最优位置。它们的计算公式如下： $$x_i(t+1)=x_i(t)+v_i(t+1)$$ $$v_i(t+1)=wv_i(t)+c_1r_1(pbest_i-x_i(t))+c_2r_2(gbest-x_i(t))$$ 其中，$x_i(t)$ 表示第 $i$ 个粒子在时刻 $t$ 的位置，$v_i(t)$ 表示第 $i$ 个粒子在时刻 $t$ 的速度，$pbest_i$ 表示第 $i$ 个粒子历史最优位置，$gbest$ 表示全局最优位置，$w$ 表示惯性权重，$c_1$ 和 $c_2$ 分别表示个体和社会学习因子，$r_1$ 和 $r_2$ 分别表示两个随机数。 针对这个公式，可以提出一些改进措施，例如： 1. 改进惯性权重的计算方式。传统粒子群算法中的惯性权重是固定的，但是实际上惯性权重的大小对算法的性能影响很大。因此，可以采用自适应惯性权重的方式，根据粒子群搜索的进展情况动态调整惯性权重的大小，从而提高算法的搜索效率。 2. 改进社会学习因子的计算方式。传统粒子群算法中的社会学习因子只考虑了全局最优位置和粒子本身的位置之间的距离，但是没有考虑全局最优位置和粒子历史最优位置之间的距离。因此，可以将社会学习因子改为考虑这两者之间的距离，从而更好地利用粒子的个体经验信息。 3. 引入群体多样性机制。传统粒子群算法容易陷入局部最优解，因此可以引入群体多样性机制，例如引入个体变异、交叉和重新初始化等操作，从而增加算法的探索能力，提高算法的全局搜索能力。 4. 采用分布式粒子群算法。传统粒子群算法只能使用单个处理器进行计算，但是随着计算机硬件的发展，分布式计算已经成为一种趋势。因此，可以采用分布式粒子群算法，将计算任务分配给不同的处理器进行并行计算，从而提高算法的计算速度和搜索能力。 总之，改进粒子群算法的位置公式是一个复杂的问题，需要根据具体情况进行调整和优化，以便更好地应用于实际问题的求解。
评论 20
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心️升明月

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值