应用粒子群算法求解的行为参数分析 1惯性因子改进模型 为了探索更有效地搜索过程，首先，需要算法对整个区域进行广域搜索，即全局搜索。全局搜索要求种群在初始化的过程中，应尽量均匀地将粒子散布在解空间中。全局搜索耗用的时间占整个搜索过程的时间比例要适当，以保证全局最优点尽可能在搜索到的区域，还要避免全局搜索占用过多时间而导致收敛过慢。当较优区域确定后，就要组织“粒子”对该区域进行局部搜索。当然，在全局搜索过程中，个体的“步伐”应该大一些、广一些，但在局部搜索过程中，个体的步伐应相应减小，进行更加细密的搜索 Shi等在有关文章中提出了，可以在粒子速度更新公式(2.8)中增加惯性因子。，来平衡算法的局部和全局搜索能力。使算法在开始搜索时，具有较大的全局搜索能力，使得算法能够快速的收敛于某一区域，而在搜索寻优的后期，主要进行局部搜索以求能获得高精度的最优解。通过实验他们得出了结论:即若口较大，则算法的全局搜索能力较强;若山较小，则算法的局部搜索能力较强。 Shi等经过多组反复实验后，得出惯性因子线性递减公式如式(2.10)所示 本文求解PR1400焊接机器人最优焊接路径的离散粒子群算法，选用式(2.10)这种线性递减算式来对惯性因子进行调整。 2学习因子分析 在PSO算法中引入惯性权重，从根本上改善了算法的性能。学习因子则增强了算法中粒子的学习能力，改善算法的收敛性，使得算法最大可能的避免陷入局部最优值，尽可能的搜索到全局最优解。 本文求解PR1400焊接机器人最优焊接路径的离散粒子群算法，选用式(2.11)和（2.12)反余弦策略来对学习因子进行调整。 3种群规模分析 PSO算法中可调参数较少，所以每个参数设置的合理与否，对算法性能都可能会产生较大的影响，上文主要讨论了影响算法性能的惯性权重和学习因子两个参数，这里主要介绍种群大小对算法性能的影响。 种群规模需要在算法运算精度、可靠性和运行时间之间进行权衡。种群规模大于60时，算法求得最优解的成功率较高;种群规模的增大会提升算法的稳定性，但是会导致算法计算时间的增长。若侧重于减少算法运行时间，种群规模一般选择2050。对于存在大量局部极小值或高大障碍物等复杂问题的求解，可以适当选取较大的种群规模。对于本文PR1400焊接机器人路径规划最优路径的求解，选择种群规模为30。 标准PSO算法的流程如下: Step 1:初始化粒子种群，包括随机设定初始位置X及初始速度V; Step 2:评价每个粒子的适应度值，如果达到最大迭代次数这个结束条件，则结束，同时显示求出的最优解、最优路径、适应度值进化曲线等;否则继续执行Step 3 ; Step 3:对每个粒子，将其适应度值与它经历过的最好位置pBest作比较，如果较好，则将其作为当前的最好位置pBest; Step 4:对每个粒子，将其适应度值与它经过的最好位置gBest作比较，如果较好，则将其设置为当前的最好位置gBest; Step 5:根据式(2.8 )和式(2.9 )更新粒子的速度和位置; Step 6:转到Step 2。

• 上一篇：粒子群算法的提出和优化
• 下一篇：离散粒子群算法的焊接机器人路径规划