算法分析
基于免疫网络的粒子群算法及其性能分析
童成意
(长沙师范学院电子信息工程系湖南长沙410100)
数字投本与或用
摘要：针对粒子群算法存在进化后期妆效速度变慢且易陷入早熟妆效的缺点,提出了一种免疫网络轻子群算法(lmmuneNetworkParticleSwamm Optimization,INPSO)。新算法提高了动态寻优能力和问题的求解精度,有效克股了粒于群算法易出现早熟收数与进化后期收效速度慢等缺点。
关键词：粒子群算法免疫网络控制器优化
中图分类号：TP18 1引言
文献标识码:A
文章编号:1007-9416(2013)09-0110-04
粒子群优化算法通过粒子闻的协作与竞争来进行送代优化，假
粒子群优化算法(ParticleSwarmOptimization，PSO)是 Kennedy与Eberhart提出的一种全局优化算法，现已广泛应用于科学与工程领域。然而，粒子群算法随着问愿规模的增大，在进化后期算法收敛速度变慢且易陷人早熟收敛。近年来，相关学者提出了许多改进算法以改善粒子群算法的性能。如Chia-FengJuang将遗传算法的交叉与变异机制引人粒子群算法，提出了一种混合粒子群优化算法(HGAPSO)，文献叫提出了一种自适应粒子群算法(APSO)，比较PSO该算法改善了收效速度、增加了收效精度和可靠性。文献4 提出了一种自适应综合学习粒子群算法(A-CLPSO),该算法减少了陷入局部最优的可能，然而，这些改进都只在一定程度上改善了PSO 的性能，早熟收效仍是粒子群算法的一大难题，尤其是对于复杂高维及多模态优化问题更是如此。
通过分析粒子群算法的特性，寻找其早熟收效的原因，本文提出了一种新的免疫网络粒子群算法(ImmuneNetworkParticle SwarmOptimization，INPSO)。经过经典测试函数的测试表明， INPSO算法明显提高了粒子群体的多样性和算法的求解精度，有效避免了粒子群算法易出现早熟收敛和进化后期收敛速度慢的缺点。 2算法改进基础
2.1标准粒子群算法
设在n维搜索空间中群体s由m个粒子组成，即s=(X,.X,X，.》。粒子的当前位置为x（*2），当前飞行速度为V=(a"2..n)。P=(PaPi2,Ps.e)为粒子i的历史最优位置（pBest）。P，为群体中的全局最优位置（gBesr)。粒子的速度更新公式如下：
(r+1)=o-W(r)+q · ()X,(r)+
C
F (0)x,()(21)
其中，惯性权重=-(-)/T。随着进化代数的增长，@从0.9线性减少至0.4。粒子的位置更新公式如下：
X; (++1) = X; (e)+ V(r + 1) 2.2改进的克隆选择算法
(22)
克隆选择算法是由L.N.DeCastro提出围,算法中变异算子主要是高斯变异与柯西变异，变异空闻比较固定，不利于免疫克隆选择算法的动态寻优。而小波变异的变异空间可变，且具有微调能力，有利于提高算法的动态优化性能。基于小波变异的克操作步骤如
表1基准测试函数
Test function
() , I+4, 1() - (,)
,() fa*, + random(0,1)
,() [-, - 10cos(2n,) +10],() =[; 100(22y,+10] here, - o2xV2x205
f, (x) = 20 exp(0.2
co(2x,)+20 +c)
expt
D
(x) -
, w)+1
基金项目：湖南省科技厅科学计划项目(2011GK3178）
D 30
30 30 30 30 30
30 30
Domain range-100 ≤ x, ≤ 100 10 5 4, 4 10 100 5 , 5 100-1.28 5 , 5 1.28-5.12 5 *, 5 5.12
5.12 ≤ x, 5 5.12 32 5 x, 5 32 600 ≤ 3, 5 400
Global optimal
o o o 0 o o
0 0
作者简介：量成意(1965一)，男，硕士，制教投.
，研究领城为嵌入式系统及其应用，智能控制理论与应用，电力系统与控制。
110