CN103646281A - 一种基于多种群的粒子群算法模型 - Google Patents

一种基于多种群的粒子群算法模型 Download PDF

Info

Publication number
CN103646281A
CN103646281A CN201310677980.4A CN201310677980A CN103646281A CN 103646281 A CN103646281 A CN 103646281A CN 201310677980 A CN201310677980 A CN 201310677980A CN 103646281 A CN103646281 A CN 103646281A
Authority
CN
China
Prior art keywords
particle
populations
swarms
population
particles
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310677980.4A
Other languages
English (en)
Other versions
CN103646281B (zh
Inventor
张俊
颜秉珩
崔赢
张现忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Cloud Information Technology Co Ltd
Original Assignee
Inspur Electronic Information Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Inspur Electronic Information Industry Co Ltd filed Critical Inspur Electronic Information Industry Co Ltd
Priority to CN201310677980.4A priority Critical patent/CN103646281B/zh
Publication of CN103646281A publication Critical patent/CN103646281A/zh
Application granted granted Critical
Publication of CN103646281B publication Critical patent/CN103646281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)

Abstract

本发明提供一种基于多种群的粒子群算法模型，（1）该模型中存在多个粒子种群，每个种群都会对解空间进行搜索；（2）粒子间的协同合作与知识共享分为两类：同一种群内部和不同种群之间的信息交互；（3）每个种群之间交换的信息为各种群的历史最优适应值和相应的位置矢量；（4）粒子的位置更新公式不用变化，而粒子的速度更新公式变为：Vid(t+1)=wVid(t)+c1r1(Pid(t)-Xid(t))+c2r2(Pgd(t)-Xid(t))+c3r3(PGd(t)-Xid(t))；其中，PG=(PG1,PG2,…,PGn)为所有种群中的最优解；同时增加了相应的学习因子c3和随机数r3；（5）种群间采用不同的惯性参数w，学习因子c1，c2，c3以及随机数r1，r2，r3，在一定程度上体现种群间的差异性。

Description

一种基于多种群的粒子群算法模型
技术领域
本发明涉及启发式优化算法领域技术领域,具体地说是一种基于多种群的粒子群算法模型。
背景技术
粒子群优化算法（Particle Swarm Optimizer，简称PSO），由Kennedy和Eberhart与1995年首次提出，其基本思想来源于模拟鸟群在觅食过程中的迁徙和群聚行为，是一种基于基于群体智能的全局随机搜索算法。粒子群算法具有很好的生物社会特性，形象直观，而且易于实现，对非线性、多峰问题均具有较强的全局搜索能力，在科学研究与工程实践中得到了广泛关注。
粒子群优化算法与其他进化算法一样，也有基于种群和进化的概念，通过个体间的协作与竞争，实现复杂空间最优解的搜索。它将群体（Swarm）中的个体看作是的多维空间中没有质量和体积的粒子（Particle），每个粒子以一定的速度在解空间中运动，并在搜索过程中逐渐向自身历史最佳位置和邻域历史最佳位置聚集，进而实现对候选解的进化。
基本粒子群算法采用速度-位置搜索策略，通常描述为：在一个n维的解空间中，有一个由m个粒子组成的种群，每个粒子代表解空间的一个候选解；其中，第i( i = 1,2,3,…,m)个粒子在n维解空间中的位置表示为X i  = ( X i1 , X i2 ,…, X in )，速度表示为V i  = ( V i1 , X i2 ,…, X in )；第i个粒子从开始到当前迭代次数得到的最优解：个体极值P i  = ( P i1 , P i2 ,…, P in )，整个粒子种群目前的最优解：全局极值P g  = ( P g1 , P g2 ,…, P gn )；单个粒子通过以下两个公式分别对速度和位置进行更新。
V id (t+1) = wV id (t) + c 1 r 1  (P id (t) - X id (t)) + c 2 r 2  (P gd (t) - X id (t))        (公式1)
X id (t+1) = X id (t) + V id (t+1)                                     (公式2)
其中，d = 1,2,3,…,n；w为惯性因子。c 1 ，c 2 称为学习因子或加速因子，一般在0到2之间取值。r 1 ，r 2 为0到1之间的随机数。(公式1)由三部分组成，第一部分为惯性部分，反应了粒子的运动惯性，代表粒子有维持自己先前速度的趋势；第二部分为认知部分，反映了粒子对自身历史经验的记忆，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为社会部分，反映了粒子间协同合作与知识共享的群体历史经验，代表粒子有向群体历史最佳位置逼近的趋势。
粒子群算法的基本步骤如下：
步骤1 随机初始化种群中的每个粒子
步骤2 判断是否满足算法终止条件。若是，则退出算法；否则，继续以下步骤
步骤3 计算每个粒子的适应值。如果粒子的当前适应值优于该粒子历史最优适应值，则将该粒子的历史最优适应值和位置矢量分别替换为该粒子的当前适应值和相应的位置矢量
步骤4 选择当前种群中适应值最优的粒子。如果当前种群中最优适应值优于群内历史最优适应值，则将群内历史最优适应值和最优位置矢量分别替换为当前群内最优适应值和相应最优粒子的位置矢量
步骤5 按照(公式1)和(公式2)更新每个粒子的速度和位置，跳转到步骤2
由于种群中各粒子向自身历史最佳位置和群体历史最佳位置聚集，形成了种群的快速趋同效应，容易出现陷入局部极值、早熟收敛或停滞现象。因而，如何避免粒子陷入早熟收敛，增大粒子逃离局部极值的可能性成为粒子群算法的研究难点。
发明内容
本发明的目的是提供一种基于多种群的粒子群算法模型。
本发明的目的是按以下方式实现的，
（1） 该模型中存在多个粒子种群，每个种群都会对解空间进行搜索；
（2） 粒子间的协同合作与知识共享分为两类：同一种群内部和不同种群之间的信息交互；
（3） 每个种群之间交换的信息为各种群的历史最优适应值和相应的位置矢量；
（4） 粒子的位置更新公式不用变化，而粒子的速度更新公式变为：
V id (t+1) = wV id (t) + c 1 r 1  (P id (t) - X id (t)) + c 2 r 2  (P gd (t) - X id (t)) + c 3 r 3  (P Gd (t) - X id (t))                           (公式3)
其中，P G  = ( P G1 , P G2 ,…, P Gn )为所有种群中的最优解；同时增加了相应的学习因子c 3 和随机数r 3 ；
（5） 种群间采用不同的惯性参数w，学习因子c 1 ，c 2 ，c 3 以及随机数r 1 ，r 2 ，r 3 ，在一定程度上体现种群间的差异性。
该算法模型的基本步骤如下：
步骤1 随机初始化多个种群，以及种群中的每个粒子。
步骤2 判断是否满足算法终止条件。若是，则退出算法；否则，继续以下步骤。
步骤3 针对每一个粒子，计算该粒子的适应值。判断是否更新该粒子的历史最优适应值和位置矢量。
步骤4 选择该粒子所属种群中适应值最优的粒子。判断是否更新该粒子所属种群的历史最优适应值和位置矢量。
步骤5 选择所有种群中适应值最优的粒子。判断是否更新所有种群的历史最优适应值和位置矢量。
步骤6 按照(公式3)和(公式2)更新每个粒子的速度和位置，跳转到步骤2。
本发明的有益效果是：该模型基于多种群的并发搜索，在每次迭代搜索过程中，都会有包含种群内以及种群间的信息交互，这样能够有效避免算法过早收敛，减小算法陷入局部极值的可能性，进而提高问题的求解质量。
具体实施方式
本发明的模型中存在多个粒子种群，每个种群都会对解空间进行搜索；
粒子间的协同合作与知识共享分为两类：同一种群内部和不同种群之间的信息交互；
每个种群之间交换的信息为各种群的历史最优适应值和相应的位置矢量；
种群间采用不同的参数设置，在一定程度上体现种群间的差异性。
实施例
（1） 该模型中存在多个粒子种群，每个种群都会对解空间进行搜索；
（2） 粒子间的协同合作与知识共享分为两类：同一种群内部和不同种群之间的信息交互；
（3） 每个种群之间交换的信息为各种群的历史最优适应值和相应的位置矢量；
（4） 粒子的位置更新公式不用变化，而粒子的速度更新公式变为：
V id (t+1) = wV id (t) + c 1 r 1  (P id (t) - X id (t)) + c 2 r 2  (P gd (t) - X id (t)) + c 3 r 3  (P Gd (t) - X id (t))                           (公式3)
其中，P G  = ( P G1 , P G2 ,…, P Gn )为所有种群中的最优解；同时增加了相应的学习因子c 3 和随机数r 3 ；
（5） 种群间采用不同的惯性参数w，学习因子c 1 ，c 2 ，c 3 以及随机数r 1 ，r 2 ，r 3 ，在一定程度上体现种群间的差异性。
该算法模型的基本步骤如下：
步骤1 随机初始化多个种群，以及种群中的每个粒子。
步骤2 判断是否满足算法终止条件。若是，则退出算法；否则，继续以下步骤。
步骤3 针对每一个粒子，计算该粒子的适应值。判断是否更新该粒子的历史最优适应值和位置矢量。
步骤4 选择该粒子所属种群中适应值最优的粒子。判断是否更新该粒子所属种群的历史最优适应值和位置矢量。
步骤5 选择所有种群中适应值最优的粒子。判断是否更新所有种群的历史最优适应值和位置矢量。
步骤6 按照(公式3)和(公式2)更新每个粒子的速度和位置，跳转到步骤2。
本发明的有益效果是：该模型基于多种群的并发搜索，在每次迭代搜索过程中，都会有包含种群内以及种群间的信息交互，这样能够有效避免算法过早收敛，减小算法陷入局部极值的可能性，进而提高问题的求解质量。
除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (1)

1.一种基于多种群的粒子群算法模型, 其特征在于设定：
（1） 该模型中存在多个粒子种群，每个种群都会对解空间进行搜索；
（2） 粒子间的协同合作与知识共享分为两类：同一种群内部和不同种群之间的信息交互；
（3） 每个种群之间交换的信息为各种群的历史最优适应值和相应的位置矢量；
（4） 粒子的位置更新公式不用变化，而粒子的速度更新公式变为：
V id (t+1) = wV id (t) + c 1 r 1  (P id (t) - X id (t)) + c 2 r 2  (P gd (t) - X id (t)) + c 3 r 3  (P Gd (t) - X id (t))                           (公式3)
其中，P G  = ( P G1 , P G2 ,…, P Gn )为所有种群中的最优解；同时增加了相应的学习因子c 3 和随机数r 3 ；
（5） 种群间采用不同的惯性参数w，学习因子c 1 ，c 2 ，c 3 以及随机数r 1 ，r 2 ，r 3 ，在一定程度上体现种群间的差异性；
算法模型基本步骤如下：
步骤1 随机初始化多个种群，以及种群中的每个粒子；
步骤2 判断是否满足算法终止条件，若是，则退出算法；否则，继续以下步骤；
步骤3 针对每一个粒子，计算该粒子的适应值，判断是否更新该粒子的历史最优适应值和位置矢量；
步骤4 选择该粒子所属种群中适应值最优的粒子，判断是否更新该粒子所属种群的历史最优适应值和位置矢量；
步骤5 选择所有种群中适应值最优的粒子，判断是否更新所有种群的历史最优适应值和位置矢量；
步骤6 按照公式3和公式2更新每个粒子的速度和位置，跳转到步骤2。
CN201310677980.4A 2013-12-13 2013-12-13 一种基于多种群的粒子群计算方法 Active CN103646281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310677980.4A CN103646281B (zh) 2013-12-13 2013-12-13 一种基于多种群的粒子群计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310677980.4A CN103646281B (zh) 2013-12-13 2013-12-13 一种基于多种群的粒子群计算方法

Publications (2)

Publication Number Publication Date
CN103646281A true CN103646281A (zh) 2014-03-19
CN103646281B CN103646281B (zh) 2017-07-21

Family

ID=50251492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310677980.4A Active CN103646281B (zh) 2013-12-13 2013-12-13 一种基于多种群的粒子群计算方法

Country Status (1)

Country Link
CN (1) CN103646281B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699915A (zh) * 2015-03-25 2015-06-10 大连大学 一种基于改进粒子群算法的变速箱轻量化设计方法
CN105205550A (zh) * 2015-09-10 2015-12-30 浪潮电子信息产业股份有限公司 一种计算事故概率的方法及装置
CN105718998A (zh) * 2016-01-21 2016-06-29 上海斐讯数据通信技术有限公司 一种基于移动终端gpu运行的粒子群优化方法和系统
CN107452011A (zh) * 2017-08-11 2017-12-08 深圳市益鑫智能科技有限公司 一种实时的烟尘颗粒在线监测系统
CN111273251A (zh) * 2020-03-09 2020-06-12 上海无线电设备研究所 一种基于多核dsp的粒子群交换长时间积累实现方法
CN113051665A (zh) * 2021-03-25 2021-06-29 中国计量大学 一种基于改进粒子群算法的多无人机气体泄漏源定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076913A1 (en) * 2008-09-24 2010-03-25 Nec Laboratories America, Inc. Finding communities and their evolutions in dynamic social network
CN102495932A (zh) * 2011-12-13 2012-06-13 哈尔滨工业大学 一种基于响应面建模和改进粒子群算法的有限元模型修正方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076913A1 (en) * 2008-09-24 2010-03-25 Nec Laboratories America, Inc. Finding communities and their evolutions in dynamic social network
CN102495932A (zh) * 2011-12-13 2012-06-13 哈尔滨工业大学 一种基于响应面建模和改进粒子群算法的有限元模型修正方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘衍民等: "基于动态多种群的多目标粒子群算法", 《计算机仿真》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699915A (zh) * 2015-03-25 2015-06-10 大连大学 一种基于改进粒子群算法的变速箱轻量化设计方法
CN104699915B (zh) * 2015-03-25 2017-07-11 大连大学 一种基于改进粒子群算法的变速箱轻量化设计方法
CN105205550A (zh) * 2015-09-10 2015-12-30 浪潮电子信息产业股份有限公司 一种计算事故概率的方法及装置
CN105718998A (zh) * 2016-01-21 2016-06-29 上海斐讯数据通信技术有限公司 一种基于移动终端gpu运行的粒子群优化方法和系统
CN107452011A (zh) * 2017-08-11 2017-12-08 深圳市益鑫智能科技有限公司 一种实时的烟尘颗粒在线监测系统
CN111273251A (zh) * 2020-03-09 2020-06-12 上海无线电设备研究所 一种基于多核dsp的粒子群交换长时间积累实现方法
CN113051665A (zh) * 2021-03-25 2021-06-29 中国计量大学 一种基于改进粒子群算法的多无人机气体泄漏源定位方法
CN113051665B (zh) * 2021-03-25 2023-06-27 中国计量大学 一种基于改进粒子群算法的多无人机气体泄漏源定位方法

Also Published As

Publication number Publication date
CN103646281B (zh) 2017-07-21

Similar Documents

Publication Publication Date Title
CN103646281A (zh) 一种基于多种群的粒子群算法模型
Silva et al. odNEAT: An algorithm for decentralised online evolution of robotic controllers
CN110852448A (zh) 一种基于多智能体强化学习的合作型智能体的学习方法
Joachimczak et al. Artificial metamorphosis: Evolutionary design of transforming, soft-bodied robots
CN110083165A (zh) 一种机器人在复杂狭窄环境下路径规划方法
CN107330560B (zh) 一种考虑时序约束的异构飞行器多任务协同分配方法
CN101515338B (zh) 基于全局信息的人工鱼群算法
CN111552314A (zh) 多无人机自适应编队跟踪控制方法
CN113033970B (zh) 一种针对大规模任务的auv集群分层分配方法
Nabizadeh et al. A multi-swarm cellular PSO based on clonal selection algorithm in dynamic environments
CN114815882A (zh) 一种基于强化学习的无人飞行器自主编队智能控制方法
Tang et al. Networking the boids is more robust against adversarial learning
CN110766125A (zh) 一种基于人工鱼群算法的多目标武器——目标分配方法
Ren et al. Stable information transfer network facilitates the emergence of collective behavior of bird flocks
CN102708407A (zh) 一种基于种群分解的自适应混合多目标进化方法
Abadlia et al. Particle swarm optimization based on dynamic island model
Yu et al. An approach to coordinated control of structured unmanned swarm based on evolutionary game
Joachimczak et al. Improving evolvability of morphologies and controllers of developmental soft-bodied robots with novelty search
Zhao et al. Shuffled frog–leaping algorithm using elite opposition–based learning
Notsu et al. Simple reinforcement learning for small-memory agent
Yan et al. Energy-saving task assignment for robotic fish sensor network based on artificial fish swarm algorithm
CN106493736B (zh) 一种群体移动物联网机器人控制方法
CN115187056A (zh) 一种考虑公平性原则的多智能体协同资源分配方法
Diallo et al. Coordination in adversarial multi-agent with deep reinforcement learning under partial observability
Amini et al. Interval search with quadratic interpolation and stable deviation quantum-behaved particle swarm optimization (IQS-QPSO)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20180816

Address after: 250101 S06 tower, 1036, Chao Lu Road, hi tech Zone, Ji'nan, Shandong.

Patentee after: Shandong wave cloud Mdt InfoTech Ltd

Address before: 250014 1036 Shun Ya Road, hi tech Zone, Ji'nan, Shandong.

Patentee before: Langchao Electronic Information Industry Co., Ltd.

TR01 Transfer of patent right
CP03 Change of name, title or address

Address after: 250100 No. 1036 Tidal Road, Jinan High-tech Zone, Shandong Province, S01 Building, Tidal Science Park

Patentee after: Inspur cloud Information Technology Co., Ltd

Address before: 250101 S06 tower, 1036, Chao Lu Road, hi tech Zone, Ji'nan, Shandong.

Patentee before: SHANDONG LANGCHAO YUNTOU INFORMATION TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address