混沌粒子群优化算法

混沌粒子群优化算法¨

计算机科学2004V01．31N-o．8

高鹰h2谢胜利1

(华南理工大学电子与信息学院广州510641)1

(广州大学信息机电学院计算机科学与技术系广州510405)2

摘要粒子群优化算法是一种新的随机全局优化进化算法。本文把混沌手优思想引入到粒子群优化算法中，这种方

法利用混沌运动的随机性、遍历性和规律性等特性首先对当前粒子群体中的最优粒子进行混池寻优，然后把混沌寻优

的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快t从而改善了粒子群优化算法摆

脱局部极值点的能力，提高了算法的收敛速度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群

优化算法。

关键词粒子群优化算法。混沌手优，优化

’ChaosParticle Swarm

OptimizationAlgorithm

GAO

Yin91”XIESheng—Lil

(College

of Electronic＆Information

EngineeringtSouth

China University of

Technology，Guangzhou

510641)1

(Dept．of Computer

Science and

Technology．GuangzhouUniversity·Guangzhou

510405)2

Abstract Particle swarm

optimization

is anewstochastic

global

optimization evolutionaryalgorithm．In

this paper，

the chaotic search

is embeddedinto

original

particle

swarm

optimizers．Based

on the

ergodicity，stochastic property

and

regularity

ofchaos，fl new

superior

individualis

reproducedby

chaotic

searching

onthecurrent

global

best individ—

ual。and

astochastic selectedindividualfrom the current“population”is replaced by

the new

superior

individual．The

particle

swarm

optimization

embedded chaotic search

quicIcens

the evolution

process，and improves

the abilities of

seeking

the

global

excellent result and convergencespeed

and

accuracy．The experiment

results demonstrate thatthe proposedalgorithms

are

superior

to

original

particle

swarm

optimization algorithms．

Keywords

Particleswarm

optimization，Chaotic search，0ptimization 1 引言

Kennedy和EberhartE“钉于1995年提出的粒子群优化算

法是一种基于群智能的随机优化进化算法。同遗传算法类似，

是一种基予群体的具有全局寻优能力的优化工具。但它没有

遗传算法中用的交叉以及变异等复杂的遗传操作，其优势在

于简单、易于实现同时又有深刻的智能背景，既适合科学研

究。又特别适合工程应用。自从粒子群优化算法提出以来，一

直受到计算智能等领域的研究人员的广泛关注，在短短的几

年时间里取得了丰硕的研究成果[2““。然而，Kennedy等人提

出的粒子群优化算法亦有其不足：易陷入局部极值点，进化后

期收敛速度慢，精度较差等。为了克服粒子群优化算法的这些

不足，研究人员提出了许多改进的粒子群优化算法，如：1998

年ShiY提出的带惯性因子的粒子群优化算法[3]，随后于

2001年给出的模糊自适应粒子群优化算法“1；为控制粒子的

飞行速度，ClercM于1999年提出的带约束因子的粒子群优

化算法[53；借鉴遗传算法的思想，AngelineP．(1998)提出了杂

交粒子群优化算法口]，之后，LovbjergM(2001)给出了具有繁

殖和子群的粒子群优化算法[7]，2003年Natsuki又给出的具

有高斯变异的粒子群优化算法[83；为使粒子群优化算法更易

跳出局部极值点，Van(2001)给出了协同粒子群优化算

法‘“”]；文[11，123(1997，2000)对粒子群优化算法进行了扩

展而提出了离散粒子群优化算法等。这些算法从不同方面对

粒子群优化算法进行了改进，不同程度地提高了算法的收敛

速度和精度，但效果并不是非常理想。混沌(Chaos)是自然界

中一种常见的非线性现象。混沌变量看似杂乱的变化过程其

实含有内在的规律性，利用混沌变量的随机性、遍历性及规律

性可以进行优化搜索[15,16]。本文将混沌优化思想引入到粒子

群优化算法中，给出了混沌粒子群优化算法。其基本思想是首

先对粒子群体中的最优粒子进行混沌寻优，然后把混沌寻优

的结果随机替换粒子群体中的一个粒子。这种处理改善了粒

子群优化算法摆脱局部极值点的能力，提高了算法的收敛速

度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明

显优于粒子群优化算法。

2混沌粒子群优化算法

一般将由确定性方程得到的具有随机性的运动状态称为

混沌，呈现混沌状态的变量称为混沌变量。如下的Logistic方

程D53是一个典型的混沌系统：

2计l=pz。(1一z．)n一0，1，2，…

(1)

*)国家自然科学基金(602"／4006)、广东省优秀人才基金(2000—6—15)、华南理工大学自然科学基金资助项目．离鹰博士后，尉教授，主要研

究领域：盲信号处理、人工神经网络、小波分析和智能信息处理等．谢胜利教授，博士生导师，主要研究领域：智能信息处理、盲信号处理、非线

性系统学习控制等．

·13·