PSO—DFP混合算法及其参数性能分析
长治学院学报
表 1粒子数对 P O D P混合算法的影响 S— F函数 N1 0
测试次数5 0
搜到最优值次数48
成功率9 6%
平均时间f s )002 2 . 63 781
Ro e b o k sn rc
2 0
5 0
4 8
9% 6
00 7 7 5 .2 4 2
( )
3 010 01 0 2 0
5 05 05 0 5 0 5 0
5 05 02 3 3 8 4 2
10 0%10 0%46 % 76 % 8 4%
0 1 3 46 058.
00 1 7 .2 9 80. 7 26l 004 78 0. 7 97 01 96 8 0.41 628 0 8 5
Sh f r ) c a e( f3 0
10 0
5 0
5 0
10 0%
00 4 3 .6 8 5 1
注： I ( )z 0时，为搜到最优值且算法成功。当 t x I≤1 F I认
子群优化算法中粒子个数对 P O D P S— F混合算法的Shfr ) cae(函数为例 ) f。
从表 2结果可知，随着取值的逐渐增大，搜取值较小时，粒子群迭代次数少，得的解比较差，获
影响，们列表 1加以说明 ( R sn rc ( )我以 oebok和索到最优解的次数也在逐渐增大。这是因为：当
从表 1结果可知，对于不太复杂的函数 R s一也就是传给 D P o n e F算法迭代的初始点较差，而 D P F bok )粒子数的变化对其结果影响不大， rc(,他们法
对初始点比较敏感，故运行失败；相反， 取值当找到全局最优值的成功率都挺高。而对于复杂难于较大时， F D P法获得了一个接近于最优值的初始
求得全局最优值的函数 Shf r cae,粒子数的变化对点，此时，就充分发挥了 D P F法的优越性，所以成功其结果影响比较大，当粒子数为 1 0时，成功率才为率比较大。值得注意的是，如果取值过大，会增加4%,当粒子数为 10时，功率达到 10 6而 0成 0%。所算法的运行时问。
以，对于复杂的函数，粒子个数要取得多一些，否大，因为粒子数越多，算法运行的时问越长。
由此我们可以看到，取值的大小对 P O D P S— F的取值，以满足所求问题的需要。般来说，大一一
则，取得少一些。值得注意的是，子数也不能过混合算法影响比较大，据不同的优化问题确定但粒根
另外，为了进一步了解粒子群迭代数 ( ) 对些，法的全局搜索能力增强，要发挥了 P O算算主 S P O D P混合算法的影响，我们列表 2说明 ( S— F以法的寻优能力；小一些，算法的局部搜索能力增 R r n ) t盯i(函数为例 ) i。表 2粒子群迭代数对 P O— P混合算法的影响 S DF
强，主要发挥了 D P法的局部精细寻优能力。 F 因此，确定的大小需考虑的因素为： i如果所优化的函数具有“长深谷”或是多 )狭，峰函数，以最小化， M取大一些；则，取小难则否 M一
些。
i如果所优化的函数收敛速度较快， M取小 i )则一
些；则取大一些。否
4结论
本文对 P O D P混合算法中的粒子数Ⅳ和粒 S— F注： I( ): 0时，当 I x l≤1 F l认为搜到最优值且算法成功。
子群迭代数对该混合算法的影响进行了数值分