信[227]
、经济[228]
、图像处理[229]
、生物信息[230]
、航空航天[231]等诸多领域得到了广泛
应用。
本节在标准粒子群优化算法基础上,通过引进动态参数调整策略和遗传算法中的
杂交概念,提出了一种改进型杂交粒子群优化算法,并通过一典型函数,对其性能进行
了考察。本节内容是对飞行器部件优化设计的理论基础。
241 标准粒子群优化算法
假设在 d维搜索域中有 n个粒子,它们组成一个种群。其中 Xi=( xi1,xi2,…,xid),
i=1,2,…,n为第 i个粒子的位置向量,Vi=( vi1,vi2,…,vid)为第 i个粒子的速度向量,
它们都是 d维的。Pi=( pi1,pi2,…,pid)是第 i个粒子在优化过程中所找到的最优解,即
个体极值 pbest,Pg是整个粒子群搜索到的最优解,即全局最优解 gbest。
在找到这两个最优值后,粒子就可以通过跟踪它们来不断更新自己,那么第 t代的
第 i个粒子进化到第 t+1代的第 j维的速度和位置可用下面的进化方程计算得到[223]
。
vij( ) t+1 =ω( )tvij( )t+c1r1( pij( )t-xij( )t) +c2r2( pgj( )t-xij( )t) (232)
xij( ) t+1 =xij( )t+vij( ) t+1 (233)
其中,i=1,2,…,n,j=1,2,…,d,ω为惯性权重因子,c1,c2 为正的学习因子,r1,r2 为
[0,1]内均匀分布的随机数。
式(232)由三部分组成,第一部分代表粒子当前速度与惯性权重的乘积,说明粒
子目前的状态对下一时刻状态的影响;第二部分代表“认知”部分,代表粒子个体的信
息积累;第三部分代表“社会”部分,代表整个粒子种群的群体智能。这三部分共同决
定着粒子的空间搜索能力,第一部分起到平衡全局和局部搜索的能力,第二部分使粒子
拥有足够强的局部搜索能力,避免算法陷入局部极小值,第三部分体现粒子间的信息共
享,在这三部分的共同作用下粒子才能有效地到达最佳位置。
242 改进型杂交粒子群优化算法(MCPSO)
2421 动态参数调整策略
粒子群优化算法的性能在很大程度上取决于算法的控制参数。大量研究表明,较
大的 ω有利于算法跳出局部极小值,提高算法的全局搜索能力,而较小的 ω则有利于
算法对当前搜索区域进行精确局部搜索,便于算法收敛。常见的权重变化公式有线性
递减权重、自适应权重以及随机权重。同时,如果学习因子 c1相对于 c2较大,则粒子更
· 83· 临近空间高超声速飞行器内外流一体化设计及飞行性能研究
国防科技大学出版社版权所有
未经许可禁止转载