一種混合的IWO PSO改進入侵性雜草優(yōu)化算法*

陶 玲，高曉智

（1.上海海事大學 信息工程學院，上海 201306；2.芬蘭阿爾托大學，芬蘭 赫爾辛基 00076）

0 引言

入侵雜草優(yōu)化算法[1]是伊朗德黑蘭大學的MEHRABIAN A R和LUCAS C在2006年首次提出的。該算法自適應性強、魯棒性強，算法參數(shù)相對較少，比較容易實現(xiàn)。近年來，它已成功應用在求解TSP問題[2]、0/1背包問題[3]等眾多領域之中。

針對基本的IWO算法存在易陷入局部極小點的不足，2009年HAJIMIRSADEGHI H等人將IWO和PSO兩算法混合[4]，對雜草的種子進行速度和位移的更新，再進行正態(tài)分布，加快了算法收斂速度，并改善了算法的全局優(yōu)化能力；2012年賈盼龍等人提出一種NIWO算法[5]，對種群個體分類，利用自適應小生境策略，改善了種群的多樣性，提高了算法的全局優(yōu)化性能；2013年劉彩霞等人提出了雙種群雜草算法[6]，采用雙變異算子策略，將種群劃分為兩個獨立進化的子群，采用柯西變異和高斯變異兩種方式產(chǎn)生子代個體，這種變異機制使得算法更易避開函數(shù)的局部最優(yōu)點，最終提高了算法的性能。

本文提出一種混合的IWOPSO算法，對父代雜草產(chǎn)生的種子個體引入粒子群算法中的位置、速度公式，對種子個體進行位置和速度更新，得到新的種子個體，然后引入一個隨機數(shù)，對新的種子個體進行IWO中的正態(tài)分布擴散，以改善種子個體質量，提高算法迭代后期的局部尋優(yōu)能力。利用5個不同維數(shù)的benchmark函數(shù)測試，結果表明本文算法有效，收斂精度和速度有較大提高。

1 IWO算法

基本IWO算法具體實現(xiàn)步驟[7]如下：

（1）初始化種群，根據(jù)實際問題初始化算法的各個參數(shù)。

（2）根據(jù)初始種群大小、初始搜索空間和問題的求解維數(shù)隨機產(chǎn)生初始解。

（3）進化代數(shù)的更新及子代個體正態(tài)分布標準差的計算。其計算公式為：

其中，iter為當前迭代次數(shù)。

（4）子代的生長繁殖。父代個體允許繁殖種子個數(shù)與其適應度值服從向下取整的線性關系，如圖1所示。

圖1 父代個體繁殖種子的方式

（5）判斷是否達到最大種群數(shù)量，當超過最大種群數(shù)量時，競爭排除；反之，重復步驟（4）。

（6）判斷是否達到最大迭代次數(shù)，當達到時輸出最優(yōu)解，反之重復步驟（4）～（5）。圖2為基本IWO算法流程圖。

圖2 IWO算法流程圖

2 IWOPSO算法

在IWOPSO算法中，對種子個體引入PSO[8]中的速度公式（3）和位置公式（4）對種子個體的速度和位置進行更新，得到新的種子個體，然后，利用式（5）對種子個體進行正態(tài)分布，提高種子個體的質量，以獲得更高的尋優(yōu)精度。慣性權重更新公式為：

其中，iter為當前迭代次數(shù)，itermax為最大迭代次數(shù)，wmax為最大慣性權重，wmin為最小慣性權重。

其中，w為慣性權重，c1、c2為學習因子，r1、r2為隨機數(shù)，pi（t）為個體極值，pg（t）為群體極值。

其中，xnew為正態(tài)分布后的種子個體，xl（i，：）為經(jīng)過位置和速度更新后的種子個體，delta_iter為正態(tài)分布標準差。

3 仿真結果與分析

3.1 測試函數(shù)

各種測試函數(shù)如表1所示。其中：f1、f2、f3是單峰函數(shù)，f4、f5是多峰函數(shù)。

表1 benchmark函數(shù)

3.2 參數(shù)設定

IWOPSO算法中參數(shù)取值如表2所示。

表2 IWOPSO算法參數(shù)設置

3.3 仿真結果

對于每個benchmark函數(shù)，每次最大迭代次數(shù)為600，獨立運行50次，兩種算法測試結果如表3所示。圖3、圖4分別是f4、f5函數(shù)的收斂曲線。

表3 benchmark函數(shù)測試結果

圖3 函數(shù)f4迭代1 200代的收斂曲線

圖4 函數(shù)f5迭代600代的收斂曲線

3.4 仿真結果分析

從表3可以看出，對于5個benchmark函數(shù)，無論函數(shù)是單峰的還是多峰的，IWOPSO算法的平均最優(yōu)解幾乎均小于標準的IWO算法，而且其標準差也顯著減小，這表明，將IWO和PSO算法混合后較大提高了IWO的全局收斂性，說明改進后的算法IWOPSO可行有效。

從圖3、圖4可以看出，在迭代過程中，IWOPSO算法相對于IWO和PSO算法收斂速度有明顯的提高。

4 結論

本文針對入侵性雜草優(yōu)化算法 （IWO）在搜索深度上的不足，將粒子群算法（PSO）的思想引入到IWO算法中，在子代擴散中以PSO算法中的位置、速度公式代替了雜草算法中的正態(tài)分布擴散，而雜草算法中的正態(tài)分布擴散用于對子代個體進一步正態(tài)分布，提高算法后期的局部尋優(yōu)能力，加強了算法的全局收斂性能，使算法在處理連續(xù)性問題時具有更高的求解精度和穩(wěn)定性，提高了算法的有效性。

[1]MEHRABIAN A R，LUCAS C.A novel numerical optimization algorithm inspired from weed colonization[J].Ecological Informatics，2006，1（4）：355-366.

[2]彭斌，胡常安，邵兵，等.求解TSP問題的混合雜草優(yōu)化算法[J].振動、測試與診斷，2013，33（1）：52-55.

[3]宋曉萍，胡常安.離散雜草優(yōu)化算法在0/1背包問題中的應用[J].計算機工程與應用，2012，48（30）：239-242.

[4]HAJIMIRSADEGHI H，LUCAS C.A hybrid IWO/PSO algorithm for fast and global optimization[C].IEEE Congress on Evolutionary Computation，Stpetersburg：IEEE，2009：1964-1971.

[5]賈盼龍，田學民.基于自適應小生境的改進入侵性雜草優(yōu)化算法[J].上海電機學院學報，2012，15（4）：225-230.

[6]劉彩霞，周暉，周伏秋.基于雙種群入侵性雜草算法的服務型城市綜合資源規(guī)劃[J].電力系統(tǒng)保護與控制，2013，41（19）：67-74.

[7]張帥，王營冠，夏凌楠.離散二進制入侵雜草算法[J].華中科技大學學報（自然科學版），2011，39（10）：55-60.

[8]劉曉峰，陳通.PSO算法的收斂性及參數(shù)選擇研究[J].計算機工程與應用，2007，43（9）：14-17.