混合驱动的粒子群算法

doi:10.3778/j.issn.1002-8331.2307-0368

摘要/摘要

摘要：粒子群优化（粒子群优化算法）算法是一种在机器人运动规划、信号处理等领域有广泛应用的优化算法。然而该算法易陷入局部最优解，从而导致早熟问题。出现早熟问题的原因之一是粒子群仅依靠适应度值选择学习范例。为了克服上述问题，提出了一种基于适应度值、改进率和新颖性混合驱动的PSO（基于适应度值、改进率和新颖性驱动的混合粒子群优化算法，FINPSO）在该算法中，引入的新指标和遗传算法会平衡种群的探索与开发，降低粒子群早熟的可能性。适应度值、改进率和新颖性会作为粒子的评价指标。各指标独立地选择学习范例并保存到不同的档案中。粒子每一次速度更新都要确定各个指标的权重，并从每个档案中选择一个范例学习。该算法采用了遗传算法进行粒子间的信息交流。遗传算法中的交叉互换和突变会给种群带来更多的随机性，提升种群的全局搜索能力。以八个PSO公司算法变体作为对比算法，两个欧洲协调委员会测试套件作为基准函数进行实验。实验结果表明，芬兰国家石油公司算法优于已有的PSO公司算法变体达到最先进水平。

关键词: 粒子群优化, 遗传算法, 混合驱动, 全局优化算法, 进化算法

摘要：粒子群优化（PSO）算法是一种在机器人运动规划和信号处理等领域应用广泛的优化算法。然而，该算法容易陷入局部最优，导致早熟收敛问题。这种早熟收敛问题的一个原因是，粒子群仅依赖适应值来选择学习示例。为了克服这个问题，提出了一种称为FINPSO（基于适应值、改进率和新颖性驱动的混合方法的粒子群优化算法）的粒子群算法。该算法引入了新的度量，并利用遗传算法平衡种群的探索和利用，降低了粒子群过早收敛的可能性。首先，使用适应度值、改进率和新颖性作为粒子的评价指标。每个指标都独立用于选择学习示例，然后将其存储在单独的档案中。在每次速度更新期间，粒子需要确定每个度量的权重，并通过从每个存档中选择一个示例进行学习。其次，该算法采用遗传算法进行粒子间的信息交换。遗传算法引入了交叉交换和变异，给种群带来了更多的随机性，增强了其全局搜索能力。最后，使用八种PSO算法变体作为比较算法，并使用两个CEC测试套件作为实验中的基准函数。实验结果表明，FINPSO算法优于现有的PSO算法变体，达到了最先进的水平。

关键词： 粒子群优化，遗传算法，混合动力驱动，全局优化算法，进化算法

陈峰, 丁泉, 吴乐, 刘爱萍, 陈勋, 张云飞. 混合驱动的粒子群算法[J] ●●●●。计算机工程与应用, 2024, 60(8): 78-89.

陈峰、丁泉、吴乐、刘爱萍、陈迅、张云飞。混合驱动粒子群算法[J]。计算机工程与应用，2024，60（8）：78-89。

参考文献

[1] 朱佳莹, 高茂庭. 融合粒子群与改进蚁群算法的AUV规则[J]。计算机工程与应用, 2021, 57(6): 267-273.
朱建勇，高明堂.基于粒子群优化和改进蚁群算法的AUV路径规划[J]。计算机工程与应用，2021，57（6）：267-273。
[2] 何元烈, 徐扣. 欠驱动平面机器人逆运动学求解研究——粒子群优化神经网络算法求解[J] ●●●●。计算机工程与应用, 2016, 52(17): 54-58.
何云林，徐坤。欠驱动平面机器人逆运动学的粒子群神经网络解[J]。计算机工程与应用，2016，52（17）：54-58。
[3] 王晓艳, 曹德欣. 基于进化能力的多策略粒子群优化算法[J] ●●●●。计算机工程与应用, 2023, 59(5): 78-86.
王晓英，曹德霞.基于进化能力的多策略粒子群优化算法[J]。计算机工程与应用，2023,59（5）：78-86。
[4] 梁田, 曹德欣. 基于莱维飞行的改进简化粒子群算法[J] ●●●●。计算机工程与应用, 2021, 57(20): 188-196.
梁涛，曹德霞.基于Levy飞行的改进简化粒子群优化算法[J]。计算机工程与应用，2021，57（20）：188-196。
[5] 陈博文, 邹海. 总结性自适应变异的粒子群算法[J] ●●●●。计算机工程与应用, 2022, 58(8): 67-75.
陈伯伟，邹华.自结论与自适应变分粒子群优化[J]。计算机工程与应用，2022，58（8）：67-75。
[6] 夏X，GUI L，YU F，等.三档案粒子群优化[J]。IEEE控制论汇刊，2019，50（12）：4862-4875。
[7] 于峰，佟力，夏霞.基于可调驱动力的粒子群优化算法[J]。信息科学，2022，609:60-78。
[8] 龚勇杰，李俊杰，周毅，等.遗传学习粒子群优化[J]。IEEE控制论汇刊，2015，46（10）：2277-2290。
[9] 刘伟，王Z，袁毅，等.一种基于sigmoid函数的自适应加权粒子群优化算法[J]。IEEE控制论汇刊，2019，51（2）：1085-1093。
[10] 田明，刘清，陆毅，等。一种用于定向传感器网络覆盖增强问题的多样性反馈调节粒子群优化算法[C]//自然计算、模糊系统和知识发现的进展，2021:1416-1424。
[11] 范登贝格F，恩格布雷赫特A P.粒子群优化的一种协作方法[J]。IEEE进化计算汇刊，2004，8（3）：225-239。
[12] 夏X，GUI L，何静，等.一种基于多样本和遗忘能力的扩展粒子群优化算法[J]。信息科学，2020，508:105-120。
[13] 魏斌，夏霞，于峰，等.基于多自适应策略的粒子群优化算法[J]。Swarm和进化计算，2020，57:100731。
[14] 刘强，李杰，任华，等。所有粒子驱动的粒子群优化：优粒子拉动加劣粒子推动[J]。基于知识的系统，2022，249:1008849。
[15] LYNN N，SUGANTHAN P N.集成粒子群优化器[J]。应用软件计算，2017，55:533-548。
[16] 刘杰，黄杰，孙瑞，等.基于GA-PSO-BP神经网络的多源传感器数据融合[J]。IEEE智能交通系统汇刊，2020，22（10）：6583-6598。
[17] 郭娥，高毅，胡聪，等.基于可行性规则求解约束优化问题的PSO-DE混合智能算法[J]。数学，2023，11（3）：522。
[18] 梁俊杰，QU B，SUGANTAN P N，等.2013年中国电子商务委员会实参数优化专题会议的问题定义和评价标准[R]。郑州：郑州大学。计算智能实验室&新加坡：南洋理工大学，2013年。
[19] WU G、MALLIPEDI R、SUGANTAN P N.2017年CEC约束真实竞赛的问题定义和评估标准？参数优化[R]。长沙：国防科技大学和大邱：京畿大学和新加坡：南洋理工大学，2017年。
[20] 梁俊杰，秦安科，苏甘丹，等.多峰函数全局优化的综合学习粒子群优化算法[J]。IEEE进化计算汇刊，2006，10（3）：281-295。
[21]程瑞，金毅.一种用于可扩展优化的社会学习粒子群优化算法[J]。信息科学，2015，291:43-60。