云自适应粒子群优化算法

设粒子群的规模为nPop,第iGen次迭代中粒子Xi的适应度为Fi;粒子群的平均适应度为F_avg=average(Fi);将适应度优于F_avg的适应值求平均得到F_avg_1,适应度次于F_avg的适应值求平均得到F_avg_2;最优粒子的适应度为F_best。传统的自适应粒子群优化算法,惯性权重根据一定的迭代公式随着算法迭代次数的增加和适应度的减小而线性减小。这里描述的云自适应粒子群优化算法将粒子群体分成3个子群,分别采用不同惯性权重w生成策略,w的生成规则是:

(1)优秀子群的w生成策略,即对于Fi优于F_avg_1

适应度小于F_avg_1的粒子,是群体中较为优秀的粒子,已经比较接近全局最优,所以采用较小的惯性权重,加快其全局收敛速度。w取值为0.2。

(2)普通子群的w生成策略,即Fi优于F_avg_2但次于F_avg_1

这是群体中一般的粒子,按X条件支发生器线性动态的调整粒子Xi的惯性权重。自适应粒子群惯性权重生成新算法:

Ex = F_avg_1

En = (F_avg_1 – F_best)/c1 //c1为控制参数

He = En/c2 //c2为控制参数

En’ = NormalRand(En,He)

w = 0.9 – 0.5*exp( -(Fi-Ex)^2/(2*En’^2) )

c1一般取为2.9

c2一般取为10.0

(3)劣势子群的w生成策略,即Fi次于F_avg_2

适应度大于F_avg_2的粒子为群体中较差的粒子,w取值为0.9。



发表评论

You must be logged in to post a comment.