188宝金博页面版

江西理工大学学报JournalofJiangxiUniversityofScienceandTechnology第 36 卷 第 3 期2015 年 6 月Vol.36, No.3Jun. 20150 引 言作为仿生算法中的重要成员， 粒子群算法（ PSO ）自诞生 [1-2] 以来，便得到广大学者们的注意与研究 . 由 Clerc 提出的收缩因子策略 [3] ，很好的保证了算法的收敛性，使其理论性得到进一步加强 . 然而与蚁群算法 [4] 、遗传算法等其他群体智能算法一样，存在着早熟及算法后期寻优能力不足的问题 .为解决这一问题，国内外学者们提出了诸多优化方案，主要包括：针对惯性权重与学习因子提出的优化方式 [5-8] 、与其他寻优算法混合改进的优化策收稿日期： 2015-03-04作者简介：王碧（ 1988- ），男，硕士研究生，主要从事群体智能方面的研究， E-mail:happyeveryday-386@163.com.通信作者：张水平（ 1965- ），男，教授，主要从事智能计算、智能矿山等方面的研究， E-mail:zhsp@mail.jxust.cn.文章编号： 2095-3046 （ 2015 ） 03-0095-06DOI:10.13265/j.cnki.jxlgdxxb.2015.03.017一种返巢模式下的粒子群优化策略王碧a ，罗潇b ，张水平a（江西理工大学， a. 信息工程学院； b. 电气工程与自动化学院， 江西 赣州 341000 ）摘 要 : 为进一步研究和优化粒子群算法，在采用非线性学习因子的同时，提出了一种新的牵引策略来共同优化粒子群算法 (Particle Swarm Optimization Algorithm based on Homing HMPSO). 该策略通过使粒子发生偏移于最优解的位移，增加粒子活性，从而提升算法后期的寻优能力 . 依实验需求将各基准函数进行调整变换并通过仿真实验进行寻优测试 . 结果表明，在算法后期的寻优能力有明显提升，且具有较好的鲁棒性 . 最后，估算出算法寻优结果精度高于指定阀值精度的概率区间，证明该策略具有良好可信度 .关键词 : 粒子群算法 ; 学习因子；惯性权重；均匀分布中图分类号 :TP301.6 文献标志码 :AParticle swarm optimization algorithm based on homingWANG Bi a , LUO Xiao b , ZHANG Shuiping a(a. School of Information Engineering; b. School of Electrical Engineering and Automation,Jiangxi University of Science and Technology, Ganzhou 341000, China)Abstract: For further study and optimization of particle swarm optimization (PSO) algorithm, this paperpresents two conjoint improvements, including a kind of nonlinear wave function as learning factor and atraction strategy of particle swarm, to improve the ability of finding optimal solution at the end of calculatingprocess. According to the requirements of simulation experiments, the performances are also compared withdifferent variants of PSO algorithm, using the amended benchmark functions. Finally, the precision of theoptimization algorithm is estimated to excel the precision of the probability interval of threshold value. All theresults clearly indicate that HMPSO performances such as robustness, steadiness and preciseness are betterthan other PSO algorithms reported in the literature.Key words: particle swarm optimization (PSO); learning factors; inertia weight; uniform distribution