结合禁忌搜索的改进粒子群优化算法

————————————

基金项目基金项目：：国家自然科学基金资助项目(61174133)

作者简介作者简介：：李勇刚(1974－)，男，副教授，主研方向：人工智能，智能搜索；邓艳青，硕士研究生 收稿日期收稿日期：：2011-09-20 修回修回日期日期日期：：2011-12-26 E-mail ：dengyanqing12345@

结合禁忌搜索的改进粒子群优化算法

李勇刚李勇刚，，邓艳青

(中南大学信息科学与工程学院，长沙 410083)

摘 要：为提高粒子群优化算法的全局搜索和局部开采能力，提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中，以线性递增的概率对最优粒子实施随机扰动，在全局搜索收敛到一定程度后，引入TS 算法进行局部搜索，使算法快速收敛到全局最优解。分析结果表明，该算法收敛精度较高，能有效克服早熟收敛问题。 关键词关键词：：粒子群优化算法；禁忌搜索；随机扰动；局部最优；收敛精度

Improved Particle Swarm Optimization Algorithm with Tabu Search

LI Yong-gang, DENG Yan-qing

(School of Information Science and Engineering, Central South University, Changsha 410083, China)

【Abstract 】To improve the global exploration and local exploitation ability of Particle Swarm Optimization(PSO) algorithm, an improved PSO algorithm integrated with Tabu Search(TS) is proposed. In PSO algorithm, optimal particle is perturbed with a linear increasing probability. When the global PSO algorithm converges to a certain degree, TS algorithm is used for local search of global optimum. Simulation results show that the convergence precision of the improved algorithm is very high, and can overcome premature convergence effectively.

【Key words 】Particle Swarm Optimization(PSO) algorithm; Tabu Search(TS); random perturbance; local optimum; convergence precision DOI: 10.3969/j.issn.1000-3428.2012.18.042

计 算 机 工 程 Computer Engineering 第38卷 第18期

V ol.38 No.18 2012年9月

September 2012

·人工智能及识别技术人工智能及识别技术·· 文章编号文章编号：：1000—3428(2012)18—0155—03 文献标识码文献标识码：：A

中图分类号中图分类号：：TP301.6

1 概述

粒子群优化(Particle Swarm Optimization, PSO)算法[1]

是由于在人工生命研究中对鸟群社会行为模拟受到启发，提出的一种基于群智能的启发式搜索算法，具有思想简单、容易实现等特点，受到了广泛的关注。

PSO 算法容易早熟收敛，并且局部寻优能力较差。为此，许多学者提出各种改进策略，如文献[2-3]提出与遗传算法，差分进化算法等全局优化算法混合；文献[4-5]提出与单纯形法，模拟退火等局部优化算法混合。但大多数都只采用一种策略对其改进，要么与其他算法混合，要么加入变异操作[6]，同时，采用2种策略的混合算法较少。与局部算法相混合可以提高收敛速度，却加剧了陷入局部最优的概率。引入变异操作增强了全局搜索，但局部搜索能力却没有改善。因此，如果将局部搜索算法和变异操作同时混合到PSO 算法中，通过适当的调节，使其在优化机制、进程、搜索行为、操作上进行有机结合，可以发挥各自的优点，同时，提高PSO 算法的全局搜索和局部开采能力。

本文提出一种结合禁忌搜索(Tabu Search, TS)与加入随机扰动的PSO 算法的混合算法。利用PSO 算法的快速

性和随机性，全空间地搜索最优解可能存在的区域，使用禁忌搜索算法的记忆功能及爬山能力强的特点，解决算法陷入局部最优的问题。

2 粒子群优化算法粒子群优化算法及禁忌搜索算法及禁忌搜索算法

2.1 标准标准粒子群优化算法粒子群优化算法

PSO 算法先初始化一群随机粒子，然后通过迭代找到最优解。在每次迭代中，粒子通过跟踪2个“极值”更新自己。一个是粒子本身找到的最好解称个体极值pbest ，另—个是整个种群目前找到的最优解称全局极值gbest 。在找这2个最优值时，粒子根据如下的公式来更新自己的速度和位置：

11122()()k k k k k k v wv c r pbest x c r gbest x +=+−+− (1) 11k k k x x v ++=+ (2)

其中，w 为惯性权重；1r 、2r 取[0:1]之间的随机数；1c 、

2c 为加速常量。

2.2 禁忌搜索禁忌搜索算算法

禁忌搜索思想是一种模拟人思维的智能搜索算法[7]。它采用一种灵活的“记忆”技术，即对历史进行记录和选择，指导下一步的搜索方向。另外，为了尽可能不错过产生最优解的“移动”，TS 还采用“释放准则”的策略[8]。