粒子群最佳化演算法改良之研究

Research on a Modified Particle Swarm Optimization Algorithm

標準PSO（standard particle swarm optimization）具有較少參數設定、快速收斂等優點，但粒子移動時僅跟隨pbest 與gbest，使得標準PSO 有容易落入區域最佳解的弱點。本研究提出一個分群式粒子群演算法的架構，將初始產生的粒子用K-means 演算法分群劃分搜尋領域後，以實驗法得到較小的Vmax 以加強粒子的區域搜尋能力，再經由比較分群各自找到的分群最佳解gkbest，產生全域最佳解，此為分群式粒子群演算法（K-means particle swarm optimization, KPSO）；另外，為確保演算法的收斂性，本研究將文化演算法「知識空間」的概念帶入了KPSO中，由知識空間中的粒子來引導主群體粒子前往具良好解答區搜尋，此為文化分群式粒子群演算法（culture K-means particle swarm optimization, CKPSO）。藉由此兩個PSO 的改良演算法，以期提高粒子搜尋到之全域最佳解的準確度。由研究結果可得知KPSO 與CKPSO 在測試函數中的表現，整體來說均能優於過去學者提出之標準PSO、HPSO（hybrid particle swarm optimization）、FPSO（fuzzy adaptive particle swarm optimization）。