PSO算法的焊接机器人常见的改进方法

1.5.2 PSO算法常见的改进方法

粒子群优化算法是一种高效并行的优化算法，且算法简洁易于实现，能有效解决多变量、非线性优化求解问题。因此在粒子群算法提出之后，得到了国际上许多学者的关注，并在理论和应用两个方面取得了不错的成果。但是和其他群智能算法一样，随着迭代次数的增加，粒子多样性缺失，容易导致局部收敛和早熟的现象。针对这种情况许多学者进行了研究，提出了许多改进方法。这些改善方 法主要集中在几个方面:基于惯性系数的改进法、种群的拓扑结构、与其他智能 算法结合。 基于惯性系数的改进法。Eberhart和Shi提出了线性递减的w，其表达式如式(3-10)所示。这自适应的惯性系数，使得在搜索前期w的值较大，而后期ω较小。由粒子速度跟新公式可知，前期ω值较大有利于粒子在全局的搜索和粒子的多样性，后期w值较小则粒子将倾向于局部空间的寻值，这符合整个粒子飞行过程中的规律。因此这种随迭代次数变化的线性递减惯性系数，有效的改善了PSO算法的搜索能力。 在优化过程中，是用适应度函数指来衡量粒子的优劣，其适应值得大小直接表明了当前解与真正解之间的差距。根据这一思路，文献在改善惯性系数时，引入了粒子适应度。在该方法中，以当前种群中粒子平均适应度为划分标准，对于质量较好的粒子(适应度小于平均值)，尽可能在下一代粒子中保留其信息，在其局部进行搜索;而对与质量相对较差的粒子，则采用较大的惯性系数，“迫使”其在全局中飞行。关于这方面的研究还有很多，文献「3引从量子力学的角度出发，提出了一种自适应调整权重的量子粒子群优化算法(QPSO )，这种算法可根据粒子当前的迭代次数和运行情况来调整惯性系数，仿真结果表明粒子收敛的速度明显提升。焊机机器人

• 上一篇：基于PSO算法的焊接机器人视觉系统标定与初始焊位导引摄像机成像模型
• 下一篇：PSO算法的焊接机器人常见的改进方法（下）