张媛媛, 高兴宝
(陕西师范大学数学与信息科学学院, 陕西 西安 710062)
作为进化算法之一的粒子群优化算法(Particle Swarm Optimization,PSO)是一种模拟自然界的生物活动以及群体智能的全局随机搜索算法. 由于粒子群优化算法的模型和计算比较简单,全局优化能力强, 且能够解决高维多目标优化问题,因此已成功应用于函数优化、模糊系统控制、神经网络训练等.
自从1995年PSO被提出后,国内外专家在其理论、算法改进及应用方面的研究都取得了很大的进展.关于PSO的数学基础、收敛性和稳定性的研究,2002年法国数学家Clerc与Kennedy[1]在基本粒子群的基础上设计了压缩因子的参数,大大提高了收敛速度;Kadirkamanathan对PSO的研究和数学分析由静态分析深入到了动态分析[2].关于PSO拓扑结构的研究,Kennedy提出了如星型结构、环型结构、齿形结构、金字塔结构、冯.诺曼结构等,并比较了它们在PSO中的性能[3],2006年Kennedy和Mendes将这些拓扑结构在Fully Informed的PSO上进行了测试[4].在这些静态的拓扑结构的基础上,研究者们在不同的迭代阶段用不同的拓扑结构动态地改变算法的探索和开发能力,在保持种群多样性和算法收敛性上取得了动态的变化和平衡,提高了算法的整体性能[5].另外,研究者还通过将其他搜索算法与PSO算法相结合,得到了许多不同性能的PSO混合算法,如Chen等人将遗传算法中的变异算子和交叉算子引入到PSO算法中[6,7],增加种群的多样性以提高种群的搜索能力;Zhang和Xie将PSO算法与差分进化算法进行了混合[8].以上对PSO的改进仅限于……