求解约束优化的模拟退火PSO算法.pdf

万方数据

求解约束优化的模拟退火PSO算法巍，刘光斌，张艳红焦swarmoptimizationproblems引言(第二炮兵工程学院，陕西西安710025)ParticlebasedsimulatedannealingforsolvingconstrainedWei，LIU第32卷第7期系统工程与电子技术摘要：针对有约束最优化问题，提出了基于模拟退火的粒子群优化(particlenealing，PSO-SA)算法。该算法利用模拟退火算法以一定概率接受较差点的概率突跳特性，克服粒子群优化算法易陷入局部最优的缺陷。采用可行性原则进行约束处理，并在模拟退火算法产生新粒子的过程中保留最优不可行解的信息，弥补了可行性原则处理最优点位于约束边界附近时存在的不足。4个典型工程优化设计的实验结果表明，该算法能够寻得更优的约束最优化解。关键词：粒子群优化；模拟退火；约束优化，可行性原则中图分类号：TP文献标志码：ADOI：10．3969／j．issn．1001-506X．2010．07．042JIAOjump0约束优化问题是最常见的一类优化问题。在科学研究和工程实践中，许多优化问题都带有一定的约束条件，对此类问题的求解最终可归结为对一个带有约束条件的函数的优化。进化计算由于其求解过程不依赖于目标函数的解析性质，同时又能以较大的概率收敛于全局最优解，因此，用进化算法求解约束优化问题已成为～个研究热点。作为粒子群优化(particleoptimization，PSO)算法开创者之一的Eberhart，首先将PSo用于求解有约束条件的最优化问题口]，证实了PSo算法在该领域的可行性。随之而后，更多学者关注于解约束优化问题的PSO算法[2⋯。研究结果表明，PSO算法除了具有进化算法共有的优势(不需要目标函数和约束条件可导)之外，其简单的操作、更快的收敛速度显示出PSO算法在该领域的独特魅力。然而，PSO算法的最大缺陷是搜索过程中易于陷入局部最优。为了解决这一难题，许多学者借鉴具有跳出局部极值点区域能力的模拟退火(simulatedannealing，SA)算法，提出了SA算法和PSO算法相结合的混合优化算法[5⋯，取得了可观的成就。本文在前人的启发和研究基础上，将具有快速收敛、全局搜索能力强的Ps0算法和具有跳出局部极值点区域能力的SA算法相结合，给出一种新的基于SA的PSO(particleannealing，PSO-SA)算法，并利用可行性规则的约束处理技术，求解约束优化问题。对4个典型工程约束优化设计的仿真实验结果表明，文中给出的PSO-SA算法是有效的，特别是对拉力／压力弹簧优化设计问题，PSO-SA算法寻找到了新的更优解。2010年7月July文章编号：1001—506X(2010)07—1532—05onGuang-bin，ZHANGYan—hong710025，China)solveproblems，ahybridmethodcombiningparticleoptimization(PSO)andannealing(SA)isprobabilityofavoidPSOoptimum．Afeasibility-basedruleusedprob—lems．Thismaybeoptimumclosetheboundaryconditions，SOinformationinfeasibleproducedSA．Thealgorithmvalidatedproblems，andindicatePSO-SAoptimum．Keywords：particleoptimization(PSO)；simulatedannealing)constrainedoptimization；feasibility-收稿日期：2009—03—30；修回日期：2009—10—02。作者简介：焦巍(1981一)，男，博士研究生，主要研究方向为先进控制理论及应用、智能优化算法。E-mail：[e-mail]01．32No．7SystemsEngineeringandElectronics2010optimization-simulated18(TheSecondArtilleryColl．，Xi’anAbstract：Consideringproposed．ThepropertySAisadoptedtrappingintolocalinvalidwhenconstraintnewcontaininggoodsolutioninprocessusingfourstandardengineeringdesignresultsthatfindbetterswarnlswaYITIan—tOtoOUtcan
万方数据

_____●_●