收缩因子粒子群优化（CFPSO）

名称

收缩因子粒子群优化（Constriction Factor Particle Swarm Optimization, CFPSO），收缩型粒子群优化（Constricted PSO），收缩因子 PSO（Constriction PSO），CF-PSO

分类

查看分类思维导图

收缩因子粒子群优化是粒子群优化算法的一种变体，属于群体智能领域，而群体智能隶属于计算智能与生物启发计算的范畴。

• 计算智能
  • 生物启发计算
    • 群体智能
      • 粒子群优化（PSO）
        • 收缩因子粒子群优化（CFPSO）

策略

群体初始化

CFPSO 首先在搜索空间中初始化一个粒子群。每个粒子表示优化问题中的一个潜在解，并具有位置和速度两个属性。粒子的位置通常在搜索空间边界内随机初始化，而粒子的速度通常初始化为 0 或较小的随机值。

粒子评估

完成初始化后，利用目标函数评估每个粒子的适应度。目标函数用于衡量粒子当前位置所表示解的优劣。每个粒子都会记录其历史搜索过程中遇到的最优位置，即个体最优位置（pbest）；同时，粒子群还会维护整个群体迄今找到的最优位置，即全局最优位置（gbest）。

速度更新

在每一次迭代中，粒子的速度通过收缩因子公式进行更新。收缩因子是控制粒子群收敛行为的重要参数，它综合平衡粒子先前速度、个体最优位置以及全局最优位置对当前搜索方向的影响。速度更新公式中包含收缩因子、认知分量（朝向 pbest 的吸引）以及社会分量（朝向 gbest 的吸引）。

位置更新

在完成速度更新后，将新的速度加到粒子当前位置上，以得到粒子的更新位置。通过这种方式，粒子在搜索空间中移动，并持续探索新的候选解。随后，利用目标函数对更新后的位置进行评估；若发现更优解，则相应更新 pbest 和 gbest。

终止条件

CFPSO 持续迭代，直至满足预设终止准则。常见的终止条件包括达到最大迭代次数、找到适应度达到要求的满意解，或观察到粒子群已经收敛（即粒子逐渐聚集到相近位置）。当终止条件满足后，算法返回当前找到的最优解（gbest）。

过程

数据结构

• 粒子（Particle）：表示一个潜在解，由位置向量和速度向量构成。
• 粒子群（Swarm）：由多个粒子组成的集合。
• 个体最优位置（pbest）：每个粒子的个体最优位置。
• 全局最优位置（gbest）：粒子群当前找到的全局最优位置。

参数

• 粒子数量（num_particles）：粒子群中的粒子数量。
• 迭代次数（num_iterations）：最大迭代次数。
• phi1：认知分量权重。
• phi2：社会分量权重。
• chi：收缩因子。

算法步骤

1. 初始化粒子群：
   1. 对粒子群中的每个粒子：
      1. 在搜索空间边界内随机初始化粒子位置。
      2. 将粒子速度初始化为 0 或较小的随机值。
      3. 利用目标函数评估粒子的适应度。
      4. 将粒子的初始位置设为其个体最优位置 pbest。
   2. 将粒子群中最优粒子的位置设为全局最优位置 gbest。
2. 当终止条件未满足时，重复执行：
   1. 对粒子群中的每个粒子：
      1. 使用收缩因子公式更新粒子速度：
   • v_new = chi * (v_old + phi1 * rand() * (pbest - x_old) + phi2 * rand() * (gbest - x_old))
     2. 更新粒子位置：
   • x_new = x_old + v_new
     3. 利用目标函数评估粒子适应度。
     4. 若粒子新位置的适应度优于其 pbest 对应的适应度：
   • 将粒子的 pbest 更新为新位置。
     5. 若粒子新位置的适应度优于粒子群当前 gbest 的适应度：
   • 将 gbest 更新为该粒子的新位置。
3. 返回 gbest 作为最终找到的最优解。

注意事项

优点

• 收敛性能更优：收缩因子能够更好地平衡探索与开发，相较于原始 PSO，通常具有更快且更稳定的收敛表现。
• 参数敏感性较低：与原始 PSO 相比，CFPSO 对参数调节的敏感程度较低，因此更易应用于不同类型的优化问题。
• 适应性较强：CFPSO 可应用于连续优化、离散优化以及混合变量优化等多类问题。

缺点

• 易陷入局部最优：与许多元启发式算法类似，CFPSO 在高维或多峰问题中仍可能陷入局部最优。
• 可能早熟收敛：若收缩因子设置不当，粒子群可能过早收敛，从而得到次优解。
• 计算开销较大：CFPSO 在每次迭代中都需要对所有粒子进行适应度评估；当目标函数代价较高时，整体计算成本也会较高。

启发式建议

参数设置

• 收缩因子 chi 通常可设置在 0.6 到 0.8 之间，常用取值为 chi = 0.729。
• 认知分量权重 phi1 和社会分量权重 phi2 通常满足 phi1 + phi2 > 4，常见设置为 phi1 = phi2 = 2.05。
• 应根据问题复杂度调整粒子群规模 num_particles。通常可采用 20 到 50 个粒子；对于高维问题，可能需要更大的种群规模。

初始化

• 应在搜索空间边界内对粒子位置进行均匀初始化，以保证初始搜索具有较好的多样性。
• 若已知一定的问题先验知识，可利用这些信息引导粒子初始位置的设置。

终止准则

• 根据问题复杂度与可用计算资源设置最大迭代次数 num_iterations。
• 若已知最优解适应度值或能够进行合理估计，可采用适应度阈值作为终止条件。
• 可通过监测粒子位置多样性或全局最优适应度的改进速率来判断粒子群是否收敛；当群体已收敛或改进速率低于给定阈值时，可终止算法。

边界处理

• 应设置边界约束，以保证粒子始终位于有效搜索空间内。
• 当粒子越界时，可采用反射、随机重初始化或速度限制（velocity clamping）等处理策略。

问题特定改进

• 可引入问题特定的启发式规则或局部搜索技术，以提升 CFPSO 所求解的质量。
• 可根据问题特征对速度更新公式进行调整，或加入额外项，以更好地平衡探索与开发。
• 还可将 CFPSO 与其他优化算法或技术进行混合，以综合利用不同方法的优势并弥补各自局限。