智能粒子群算法的改进研究

摘要

随着数据挖掘技术的不断提升,粒子群算法的应用范围越来越普遍,粒子群算法作为近些年兴起的基于群体智能寻优算法以其简便、参数设置少、易编程等优势受到了业内人士的重视.但传统的粒子群算法惯性权重的变化过于依赖(最大和当前)迭代次数,容易产生易陷入局部最优解的问题.为此,提出一种基于改进智能粒子群算法.该算法在传统粒子群算法的基础上依据适应度值得变化状态来灵活的调整惯性权重,避免了传统算法中惯性权重改变依赖最大迭代次数的问题.其次,将遗传算法和灰色神经网络算法融合来优化粒子群算法,在各个粒子更新时,利用遗传算法中的变异操作重新初始化粒子,此时,在根据灰色网络得到优化参数,确定新的最优适应度值,由此完成对智能粒子群算法的改进.实验仿真证明,改进后的智能粒子群算法可以有效地提升粒子群的迭代更新效率,从而很大程度上保证了算法的全局搜索的精确度.