动态多群粒子群优化器（DMS-PSO）

名称

动态多群粒子群优化器（Dynamic Multi-Swarm Particle Swarm Optimizer, DMSPSO），动态多群 PSO（Dynamic Multi-Swarm PSO），DMS-PSO

分类

查看分类思维导图

动态多群粒子群优化器是粒子群优化（PSO）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。它与其他 PSO 变体，如多群粒子群优化和动态粒子群优化，具有密切关联。

• 计算智能
  • 生物启发计算
    • 群体智能
      • 粒子群优化（PSO）
        • 动态多群粒子群优化器（DMSPSO）

策略

动态多群粒子群优化器（DMSPSO）旨在通过动态维持多个相互作用并共同演化的粒子群，解决标准 PSO 中常见的早熟收敛与停滞问题。

动态粒子群创建与移除

DMSPSO 初始时仅包含一个粒子群，但随着优化过程推进，当满足某些条件时会动态创建新的粒子群，例如当某个粒子群的多样性低于预设阈值时。相反，对于已经收敛或陷入停滞的粒子群，则将其移除，以释放计算资源并维持算法整体效率。

粒子群交互与信息交换

DMSPSO 中的多个粒子群通过交互与信息交换协同搜索全局最优解。这种交互主要通过共享各粒子群当前找到的全局最优位置来实现。通过允许不同粒子群之间进行通信与相互学习，DMSPSO 试图在探索与开发之间取得平衡，从而既避免早熟收敛，又能够高效地向搜索空间中的潜在优良区域收敛。

动态粒子群规模调整

DMSPSO 还引入了一种机制，可根据各粒子群的性能及其对整体优化过程的贡献，动态调整其规模。持续找到更优解的粒子群会被分配更多粒子，而表现较差的粒子群则会缩减规模。这种自适应资源分配机制能够将计算资源集中投入到更有前景的粒子群中，从而提升算法整体效率。

过程

数据结构：

• 粒子群（Swarm）：由多个粒子构成的集合，每个粒子表示一个候选解
• 粒子（Particle）：表示一个候选解，包含位置、速度和个体最优位置等属性
• 全局最优位置（Global Best Position）：所有粒子群中任意粒子迄今找到的最优位置

参数：

• 最大粒子群数量
• 粒子群最小规模与最大规模
• 收敛阈值
• 多样性阈值
• 粒子群创建概率
• 粒子群移除概率
• 最大迭代次数

伪代码：

1. 初始化一个包含固定数量粒子的单个粒子群
2. 当停止准则未满足时：
   1. 对每个粒子群：
      1. 根据 PSO 规则更新每个粒子的位置和速度
      2. 评估每个粒子的适应度
      3. 更新每个粒子的个体最优位置
      4. 更新该粒子群的全局最优位置
   2. 对每个粒子群：
      1. 计算该粒子群的多样性
      2. 若多样性低于多样性阈值：
         1. 按照粒子群创建概率创建一个新的粒子群
         2. 利用当前粒子群中的部分粒子和随机生成的粒子初始化新粒子群
      3. 若该粒子群已收敛（基于收敛阈值判断）：
         1. 按照粒子群移除概率移除该粒子群
   3. 根据各粒子群的性能调整其规模
   4. 在所有粒子群之间共享全局最优位置
3. 返回所有粒子群中找到的全局最优位置

注意事项

优点：

• 能够缓解标准 PSO 中的早熟收敛与停滞问题
• 能依据优化景观动态创建和移除粒子群，从而增强算法适应性
• 可通过动态调整粒子群规模，将计算资源高效分配给更有前景的粒子群

缺点：

• 引入了额外需要调节的参数，例如最大粒子群数量、多样性阈值以及粒子群创建/移除概率
• 算法的动态机制会相较标准 PSO 带来更高的计算复杂度
• 算法效果可能对参数取值较为敏感，针对不同问题通常需要仔细调参

启发式建议

参数设置

• 最大粒子群数量应根据问题复杂度及可用计算资源进行设定。较多的粒子群有助于增强探索能力，但也会提高计算成本。
• 粒子群最小规模与最大规模的设置应兼顾探索与开发之间的权衡。规模较大的粒子群通常更偏向全局探索，而规模较小的粒子群更偏向局部开发。
• 收敛阈值应依据期望达到的收敛程度及问题本身特性进行设定。较小的阈值有助于实现更精细的优化，但可能会增加所需迭代次数。
• 多样性阈值应设置为能够维持各粒子群内部足够的种群多样性。较高的阈值会更频繁地触发新粒子群的创建，从而增强探索能力。

粒子群创建与移除

• 粒子群创建概率应控制新粒子群生成的频率。较高的创建概率会产生更多粒子群，这对于具有大量局部最优的复杂问题通常是有利的。
• 粒子群移除概率应设置为能够有效移除已经收敛或停滞的粒子群。较高的移除概率会更积极地淘汰表现不佳的粒子群，从而为更有潜力的粒子群释放资源。

性能监控

• 应监控各粒子群以及整体优化过程的进展，以识别停滞或早熟收敛问题。若全局最优位置在较长迭代过程中没有明显改进，则可考虑调整算法参数，或引入额外的多样性维持机制。
• 应持续跟踪优化过程中粒子群的数量及其规模变化。若粒子群数量增长过多，或不同粒子群之间的规模严重失衡，则可能表明需要调整粒子群创建/移除概率，或修改动态粒子群规模调整机制。