4.1 几种常用改进算法
本文选择2.3.2节中已介绍的带有小生境因子的PSO算法，在该算法中，粒子速度更新公式中的“个体意识”部分中，粒子不再向自己个体的最佳位置移动，而向着周围多个粒子中的一个最佳粒子移动；带有微分扰动的PSO算法中引入了微分扰动因子(两随机粒子位置向量差)代替标准粒子群算法中“个体意识部分”，以及标准PSO算法与本文算法进行比较。
4.3.1 实验设置
在种群规模设置方面，Eberhart和Shi表示种群的规模设置对于初始化PSO的函数搜索范围的性能很难有任何的改善。Van den Bergh和Engelbrecht提出，尽管增大粒子群的种群大小对于提高解质量的贡献微乎其微，但是一个更大的群体提高了一个函数评估的容错本领。在微分进化研究的实践中，我们常常将种群规模设定为十倍于搜索空间的维度。本实验将各算法种群规模根据特定情况设置为40或50。
通过对于本算法中几个关键参数设置不同的数值进行实验，在单种群规模实验中，我们发现参数分别设置在(15,20,25)时寻优效果波动不大。然而，实验表明每次交换15个粒子时效果最好；在种群数设置实验中，参数设置分别设置为(4,5,6)时效果几乎没有什么不同，数据表示，四个种群的设置具有微度优势；在种群规模参数设置中，参数分别取(30,40,50)，在每种群30个粒子有最好收敛效果；对于种群交换时机参数实验中，参数分别取(30,40,50)，参数取到50时，算法无法收敛至全局极小。参数取30效果最佳。 |
