综述:粒子群优化:过去10年创新综述
《Computer Science Review》:Particle swarm optimization: A survey of innovations over the last 10 years
【字体:
大
中
小
】
时间:2026年02月06日
来源:Computer Science Review 12.7
编辑推荐:
安赫尔·卡萨斯-奥尔达兹(Angel Casas-Ordaz)|爱德华多·H·哈罗(Eduardo H. Haro)|路易斯·A·贝尔特兰(Luis A. Beltran)|奥马尔·阿尔瓦雷斯(Omar Alvarez)|赛义德·贾拉勒丁·穆萨维拉德(Seyed Jalaledd
安赫尔·卡萨斯-奥尔达兹(Angel Casas-Ordaz)|爱德华多·H·哈罗(Eduardo H. Haro)|路易斯·A·贝尔特兰(Luis A. Beltran)|奥马尔·阿尔瓦雷斯(Omar Alvarez)|赛义德·贾拉勒丁·穆萨维拉德(Seyed Jalaleddin Mousavirad)|马科·佩雷斯-西斯内罗斯(Marco Pérez-Cisneros)|迭戈·奥利瓦(Diego Oliva)
墨西哥瓜达拉哈拉大学电子光子工程系,CUCEI,44430,瓜达拉哈拉
**摘要**
粒子群优化(PSO)是一种著名的元启发式算法,其在优化领域的影响力无可估量。该算法结构简单,于1995年首次提出,此后启发了众多相关研究方法,其中一些已成为该领域的核心成果。此外,PSO的参数可以从不同角度进行调整,这使得它能够应用于众多领域,并与大多数先进的进化算法实现混合应用。这些特点凸显了进行持续综述的必要性,以总结PSO在各个研究领域的贡献。然而,由于PSO的重要性,很难在一篇论文中全面概述其所有影响。同时,许多相关研究倾向于将PSO文献归为混合类别,这可能会让读者感到困惑,而非帮助他们深入了解这一方法。因此,本文对PSO进行了详尽的研究,重点介绍了三个关键方面:首先,综述范围限定在最近十年,以展示PSO在当代领域的应用情况;其次,采用七个主要类别来定义PSO所贡献的领域;最后,通过多种统计分析帮助读者理解该方法的演变趋势及未来发展方向,这对于新的PSO研究尤为重要。本文的目的是总结PSO算法在过去十年中的最新进展,为该领域的研究人员提供参考。
**1. 引言**
在过去二十年里,粒子群优化(PSO)算法被大量文献引用。作为一种全球广泛使用的算法,PSO常用于解决现实世界中的优化问题。该算法最初由詹姆斯·肯尼迪(James Kennedy)和拉塞尔·埃伯哈特(Russell Eberhart)于1995年提出[1]。他们提出的创新理念借鉴了鸟类群或鱼群等生物的集体智能,使PSO成为计算智能领域中最著名的算法之一。随后,他们加入了惯性权重这一控制参数,进一步巩固了PSO在自然基算法领域的地位[2]。在这一系列创新成果的基础上,研究社区迅速发展出多种变体,其中[3]提出了独特的参数化策略及两种优化扩展(HPSO-TVAC),显著提升了算法性能[4];[5]引入了全面学习粒子群优化器(CLPSO)机制[5];[6]利用低差异序列改进了初始化过程(VC-PSO和SO-PSO)[6];[7]将PSO与其他算法结合(APSO)[8];[9]引入了动态加速系数[9];[10]提出了基于自主群体的新模型[10]。这些进展表明PSO在算法发展中的领军地位。
**2. PSO的主要发展与应用**
本文重点介绍了PSO在过去十年中的三大显著贡献:首先,综述范围限定在最近十年,以反映其在当代的应用情况;其次,通过七个分类框架梳理PSO的应用领域;最后,通过统计分析分析该方法的演变趋势及未来方向。
**3. 结论**
本文旨在为PSO领域的研究人员提供该算法的全面总结,帮助他们了解最新进展。尽管已有大量文献探讨PSO的各类变体与应用,但本研究仍希望通过系统分析揭示其重要性和最新发展。调查内容的示意图。文章的其余部分按以下顺序结构化:本研究的第二节全面概述了PSO算法的基本概念,并详细阐述了其运作机制。第三节重点研究了通用PSO算法的最新变体。第四节分析了现有的和最具对比性的拓扑结构。第五节的目标是基于惯性权重参数分析所做的调整。第六节对PSO算法进行了全面探讨,特别强调了其在工程领域的应用。第七节详细介绍了PSO算法在特征选择领域的实现。第八节概述了多目标PSO算法。文章的倒数第二节(第九节)讨论了不同的贡献,结合了前文的分析结果。研究以结论(第十节)结束,该结论强调了所进行的工作,并将讨论的主题与PSO算法联系起来。
2. 粒子群优化(PSO)的基本概念
许多自然系统表现出集体现象,其中元素(动物)会聚集在一起,以保护自己免受捕食者的攻击或共同狩猎。当猎物属于一个群体时,在遇到捕食者时存活的机会更大,因为捕食者很难专注于群体中的单个成员。这种现象被称为“困惑捕食者效应”[29],增加了猎物的生存机会。此外,尽管看似矛盾,捕食者也会形成群体进行狩猎,因为这增加了它们获得食物的机会。因此,这种群体意识对群体和个体都有利,使两者都能繁荣发展。
被称为PSO[30]的算法是一种基于群体的算法,具有坚实的生物学基础。它基于每个粒子的行为,这些粒子协同工作以提升整体任务性能和个人效率。PSO的原则可以在人类群体中观察到,这些群体倾向于形成以成功开展集体项目。逻辑上,当个体与群体互动并具备这种集体意识时,他们的个人意识也会得到提升。
2.1. 群体和粒子
PSO算法基于“群体”的概念,在这一框架中,群体被理解为一组针对当前问题的候选解决方案。这组解决方案按照明确定义的结构进行组织和行动,如图4所示。从科学的角度来看,优化可以被广泛描述为一个系统过程,通过该过程尝试从多个可能的替代方案、设置或元素中确定最有效或最有利的方案。这一选择过程始终由用户确定的一个或多个标准控制[31]。
下载:下载高分辨率图片(214KB)
下载:下载全尺寸图片
图4. PSO算法流程图
每个候选解决方案我们将其称为x,代表了n个个体在搜索空间中的行为。这种进步是由每个粒子收集到的关于自身的信息以及它与其他粒子共享的信息所驱动的,从而实现协作搜索行为。在PSO算法中,粒子代表可能的解决方案,并构成了算法的核心。每个粒子表示为xi,而粒子集合或“群体”表示为n。因此,集合x={x1,x2,x3,…,xn}描述了所有的粒子。群体的目标是在搜索空间内通过多次迭代来确定一个最优解,搜索空间的限制在优化问题中已经指定。群体的去中心化特性允许个体搜索相同的搜索空间的不同区域。这使得能够广泛而高效地寻找最优解。这样,PSO算法避免了陷入单一区域,能够在整个问题域内探索多个潜在解决方案。值得注意的是,探索的广度与问题的大小有关。这种探索的多样性至关重要,因为它有助于避免两个常见问题:局部最优解(仅在较小区域内最佳的次优解)和过早收敛,即所有粒子迅速接近一个解决方案而没有充分探索其他可能的解决方案,这可能导致错过搜索空间其他部分的更好解。在算法的重复迭代过程中,粒子之间会相互通信并分享有关找到的最优结果的信息。每个粒子还具有记忆功能,可以存储每次迭代中找到的最优解。粒子的运动受到两个主要因素的影响:局部影响(每个粒子收集到的关于自身的信息)和全局影响(来自整个群体的信息)。这两种信息来源决定了每个粒子运动的方向和大小。
2.2. 基本参数
有几个关键变量控制着PSO算法的行为。这些参数决定了算法如何搜索新解决方案并改进这些解决方案。需要注意的是,许多这些参数取决于特定的优化问题。
- n(群体规模):较大的群体规模可以提高多样性和探索能力,但也可能由于计算需求的增加而减慢算法速度。
- x(解决方案):表示解决方案集中的每个粒子(解决方案)。
- d(维度):指的是粒子移动的环境,在这种情况下是一个d维空间。在优化问题中,维度d与必须调整的变量或参数的数量相匹配,以找到最优解。
- 目标函数:它直接与要优化的过程相关。待优化问题的数学函数被定义,决定了这些变量之间的关系以及它们与可用数据的关系。由此产生了目标函数以及问题框架中的限制条件。
- 搜索空间限制:在PSO算法参数中,定义下限(lb)和上限(ub)是必不可少的。这些参数指定了在待优化过程的每个维度中可以探索的值范围。
- 下限(lb):是每个粒子位置在每个维度上可以取的最小值。
- 上限(ub):是每个粒子位置在每个维度上可以取的最大值。
当搜索空间是d维时,这些限制以向量的形式表示。
- 迭代次数:用k表示实际重复次数,而kmax表示允许的最大重复次数。
- 随机值r1和r2:这些d维随机向量是从0到1的范围内使用均匀分布获得的。
2.3. 目标函数
数学过程由要优化的问题决定,无论是最小化还是最大化;其目的是为问题的每个可行解决方案(群体中的每个粒子)赋予一个数值,以便比较解决方案。通过这些数值的比较,我们可以找到哪个粒子(xi)具有最佳值(pBest),该值受到其所有迭代中最佳单个值的启发,以及基于所有迭代中最佳的全局粒子(gBest)的影响。这些值(pBest)和(gBest)将决定粒子在目标函数定义的搜索空间中的移动方式。
2.4. 最佳位置
在每一步中,每个粒子(xi)都将根据数学函数在迭代k期间进行评估,以确定pBest和gBest是什么。这些值标志着群体运动在k次迭代期间的暂停,一方面倾向于其pBest(试图改进过去的经验),另一方面倾向于gBest(受到整个群体最佳经验的引导),这使得PSO算法能够结合探索(搜索搜索空间的新区域)和利用(改进接近最佳解的方案)。
- pBest:这被归类为单个粒子在其通过搜索空间的旅程中所有迭代中发现的最佳位置,它代表了粒子根据截至那时为止的目标函数评估所确定的最优解。
- gBest:相反,这是由整个群体发现的最佳位置。这是一个全局值,引导所有粒子朝着迄今为止集体确定的最佳解前进。
2.5. 粒子的位置和速度
在基本的PSO算法中,每个粒子在搜索空间内以速度vi移动。在第一次迭代时,速度初始化为零,即vi0=0。在算法的下一次迭代中,速度根据来自全局最佳粒子gBest和局部最佳粒子pBest的信息计算得出。全局最佳粒子是通过所有可能解决方案中找到的最佳解来确定的,如方程(1)所示。
(1) g = xi∈{x}∣f(xi)=min{f(x1),f(x2),…,f(xn)}
局部最佳粒子指的是其当前迭代记录下的最佳解决方案。每个粒子保持自己的局部记录,这也影响着粒子的移动。这由方程(2)确定。
(2) pi(k+1) = xik∈{xk}∣xik=min{pik,xik}
速度的计算取决于局部和全局最佳解决方案的影响。可以通过使用称为认知和社会值的特定参数来修改全局和局部成分对速度的影响。局部影响受认知常数的影响,而全局影响受社会常数的影响。基本PSO算法中的速度由方程(3)表示。
(3) vi(k+1) = vik + r1k?(pik?xik) + r2k?(gk?xik)
重复变量用k表示,vi(k+1)表示每个个体的新速度,vik表示当前迭代的速度。gk表示截至当前迭代的全球最佳粒子,pik表示迭代k时记录的局部最佳粒子。此外,r1k和r2k是d维随机向量,其值在0到1的范围内具有相同的概率。使用前面的方程计算每个粒子的速度,根据方程(4)调整群体的粒子位置。
(4) xi(k+1) = xik + vi(k+1)
vi(k+1)表示使用方程(3)更新后的粒子速度xik。粒子在搜索空间中的移动方式是对不同PSO变体的修改之一,以及它们的速度。这是因为粒子在搜索空间中的移动方式会影响算法的性能。粒子的移动和速度可以描述如下:
- 每个粒子都朝着其在历史上个人发现的最佳位置移动。
- 每个粒子都是针对整个粒子集合在搜索空间中找到的最佳位置设计的。
PSO算法中每个粒子的移动在图5中以图形方式表示。
3. 通用粒子群优化变体
本节介绍并描述了2015年至2025年间科学文献中提出的一些最合适的PSO算法修改,这些修改由Scopus数据库标识。Scopus索引了大约2421篇与PSO算法相关的文章,如图6所示。选择这些变体并非随意;制定了两个主要标准:首先,出版时间限制在一个10年的时间窗口内,以确保变体的新颖性;其次,文章的相关性通过每个变体在学术界获得的引用次数来确定。这样,概述不仅使我们能够评估PSO算法的最新进展,还能够识别出在科学领域中最广泛使用的建议,并确定最受欢迎的建议。对这些变体的分析提供了应用于PSO算法的最新策略的更新概述,并用于提高其典型效率。这种回顾方法突出了PSO算法在过去十年中所遵循的趋势。
下载:下载高分辨率图片(140KB)
下载:下载全尺寸图片
图6. 按年份划分的PSO算法变体出版物
3.1. 基于社会学习的粒子群优化
这种变体受到Ran Cheng等人[32]引入的社会学习的启发,替换了标准算法的规则。在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,这种变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO类似,这种变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与传统的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO类似,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都会通过从适应度值更好的粒子那里学习来调整其行为。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都会通过从适应度值更好的粒子那里学习来调整其行为。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程受到社会学习机制的启发,在其中,个体行为不是孤立的,而是通过他人的互动和影响而形成的。因此,该模型允许表现较差的粒子利用积累的经验来提高自身能力。这一过程在方程(5)中得到了形式化,该方程决定了模仿者如何从不同的示范者那里获取信息以调整其行为并在未来的迭代中提高性能。
在社会学习粒子群优化(SL-PSO)中,每个粒子都会从群体中表现更好的粒子那里学习。此外,SL-PSO还接受取决于问题大小的参数控制。与经典的PSO一样,该变体从一个粒子群开始,其中粒子代表满足问题的可能解决方案。一个随机初始化的决策向量使用目标函数来评估其适应度。适应度值随后会对粒子进行排序,每个粒子(最优粒子除外)会通过从适应度值更好的粒子那里学习来调整其行为。关键组成部分是群体分类和行为学习。为了解释行为学习机制,第一步是根据粒子的适应度值对群体进行排序,从低到高。完成这一步后,除了排名最高的粒子外,每个粒子都被假设为一个模仿者,而排名最高的粒子则作为参考。这样,每个模仿者都可以从各自的示范者那里获取知识。需要注意的是,同一个粒子在每一代中都可以作为多个模仿者的例子,这加强了群体内部合作的概念。这一过程CDW-PSO中的粒子位置更新策略进行了如下修改(30),(31),(32)。
(30) xid = xid?ωij + vid?ωij′ + ρ?gBestd?ψ
(31) ωij = ψ = exp?(f(j)u)1 + exp?(?f(j)u)k
(32) ωij′ = 1 ? ωij
其中ωij′和ωij是动态权重,xiD是之前的解,vid是当前速度,gBestd是找到的最佳解,ψ是加速度系数,ρ是0到1之间的随机数,u是第一次迭代中的平均适应度值,f(j)是粒子的适应度。
3.8. 带有正弦余弦加速度系数的混合粒子群优化器
Ke Chen等人[39]引入的H-PSO-SCAC变体结合了正弦余弦加速度参数(SCAC)。第一个修改涉及SCAC,它改进了c1,2值以更好地调节局部搜索和收敛行为。这种调整扩展了算法的搜索能力,并有助于防止在局部最优解中停滞。第二个增强采用了基于对立的学习(OBL)策略来初始化种群。通过为每个候选解生成一个相反的解,算法增加了在解决方案空间的更有希望的区域开始搜索的可能性。此外,还提出了正弦映射来动态调整ω。在这种情况下,SCAC被修改为创建了一种新的加速类型,称为PSOSCAC。c1,2的更新数学表达式分别见(33),(34)。
(33) c1 = ??sin?((1?MjMmax)?π2) + ?
(34) c2 = ??cos?((1?MjMmax)?π2) + ?
其中?和?是常数(?=2, ?=0.05),Mj和Mmax分别是当前迭代次数和最大迭代次数。该变体的第二个修改称为“基于对立的学习”(OBL)。这种策略用于启动优化过程;必须首先激活种群。初始化过程如下:让D表示搜索空间中种群的可能大小,NP表示种群中的个体总数,M表示算法中的当前迭代次数。这种设置确保每个粒子在迭代优化开始前都正确地放置在特定的搜索域内。
• 种群的随机初始化 P(M=0) = xij, i=1,2,…,NP, j=1,2,…,d.
• 补充种群 P′(M=0) = xij′,并表达在方程(35)中。
(35) xij′ = xmax,j + xmin,j ? xij
在这种情况下,xmax,j和xmin,j表示该维度的最大允许值或达到的值,而xmin,j对应于可能的最小值。因此,xi搜索空间中的每个位置都受到这两个极值的约束,确保优化过程保持在适合所研究问题的范围内。
• 在此步骤中,通过选择适应度值最低的个体子集来启动成员。更具体地说,从两个种群的并集{P(M=0)∪P′(M=0)}中,只保留适应度较低的一半。这个过程确保初始种群由相对更好的解组成,为后续优化提供更坚实的基础。
最后,该变体结合了使用映射来控制ω。该映射在区间[0,1]内有明确的范围,允许生成的值被标准化和限制。形式上,ω的行为可以根据方程(36)数学表达。
(36) ω = xk = c4?sin?(πxk?1), xk∈(0,1), 0
3.9. 全面学习粒子群优化器
该变体受到全面学习粒子群优化器(clpso)的启发,结合了局部搜索(ls)和yulian cao等人[40]创建的多模态方法,该方法使用传统方法,如nelder-mead和拟牛顿(bfgs)。这种实现旨在提高算法的收敛性,因为pso算法倾向于在多模态函数上陷入局部最优解。特别是,该变体的作者提出的方法使用hessian矩阵的更新,数学表达式见方程(37)。
(37) hk+1 = hk+qk?qkt + qkt?sk ? hk?sk?skt?hkt + skt?hk?sk
其中sk=xk+1?xk,qk=?f(xk+1)??f(xk)。作者提出的变体执行以下步骤:
1. 种群初始化。
2. 执行clpso(带迭代评估)。
3. 基于拟熵自适应确定ls的起始。
4. 应用ls以提高收敛性。
5. 更新最佳全局位置。
作者提出的启动自适应ls的策略如下方程(38)描述。
(38) qet ≤ θ?qe0
当迭代t时的qe值相对于初始种群对应的值降低到一定百分比时,激活局部搜索机制(ls)。在这种情况下,θ表示qe的减少率。因此,在迭代t的qe满足方程(38)中建立的条件时定义了启动ls和clpso的自适应策略。
3.10. 混沌粒子群优化算法
该变体由alaa tharwat等人创建,称为混沌粒子群优化(cpso)[41],它提出在更新每个粒子的速度时实现混沌动力学,并引入了一种新的计算它们位置的方法。使用混沌映射来控制参数r1和r2,这取决于你想要更多地修改探索性还是利用性。在cpso-1中,参数r1在迭代过程中以以下方式修改以适应混沌映射。带r1修改的新速度的数学表达式如下方程(39)。
(39) vit+1 = ω?vi(t) + c1??(t)(pi(t)?xi(t)) + c2?r2(g?xi(t))
其中(?)是一个混沌映射,在标准pso中,r1是0到1之间的随机数,而在cpso-1算法中,它是0到1之间的混沌数。
在cpso-2中,参数r2被修改,表示速度的方程是方程(40)。
(40) vit+1 = ω?vi(t) + c1?r1(pi(t)?xi(t)) + c2??(t)(g?xi(t))
其中(?)表示混沌映射,这将区间[0, 1]中的随机值分别替换为r1和r2。
3.11. 分数混沌集成粒子群优化器
该变体受到另一种称为“集成粒子群优化器”(epso)的pso变体的启发,改进这个变体的目标是使原始算法的利用性和探索性更加稳健。dalia yousri等人[42]提出的“分数混沌集成粒子群优化”(fc-epso)的提案是使用(epso)的数学表达式来计算粒子的速度,如下方程(41)。
(41) vid = ω?vid + c1?rand1id?(pbestid?xiid) + c2?rand2id(gbestd?xiid) + c3?(nbestjd?xiid)
在这种表示中,fc-epso中的参数ω根据方程(42)在0.2到0.99的范围内混沌变化。同样,加速度系数c1和c2也进行混沌调整,c1的范围是从2.5到0.5,c2的范围是从0.5到2.5,分别遵循(43),(44)。
(42) (c?ω)k = (ωi?t(ωf?ωi)t) + normchaosk
(43) (c?c1)k = (c1i?t(c1f?c1i)t) + normchaosk
(44) (c?c2)k = (c2i?t(c2f?c2i)t) + normchaosk
(45) normchaosk = (f?chaosk?min(f?chaosk))+(b?a)(max(f?chaos)?min(f?chaosk))+a
在这种情况下,(c?ω)被定义为混沌惯性权重,它遵循混沌fc映射所施加的分布,取决于索引k。这个索引取值k={1,2,3},其中k=1对应于fc-logistic映射,k=2对应于fc-sine映射,k=3对应于fc-tent映射。此外,参数ωi和ωf分别代表惯性权重的下限和上限,从而限制了其在整个优化过程中的动态调整范围。同样,参数a和b建立了归一化范围的最小和最大值。
3.12. 带有混合突变策略的多种群协作粒子群优化
该变体称为mpcpso,由wei li等人[43]创建,引入了分段学习和差分突变技术来提高种群多样性以及迭代间的收敛性。mpcpso将种群分为两组,分别称为“精英种群”(ep)和“普通种群”(gp)。考虑到这种种群分离,(ep)采用多模态全面学习策略(mdcls),而种群(gp)使用动态分段学习策略(dsmls)。普通种群中的每个粒子被分割成m个区域,如方程(46)所示。
(46) m = genmaxgen?d
在这个阶段,gen表示到目前为止在过程中执行的重复次数,反映了算法的当前阶段。同时,maxgen表示算法允许的最大重复次数。d对应于问题维度,即必须在搜索空间中优化的变量数量。然后应用锦标赛选择方法来选择精英群体的k个成员。这个过程确保表现最好的粒子更有可能被选中,同时保持足够的多样性以有效探索解决方案空间。锦标赛选择因此有助于平衡对最有希望的解决方案的利用与对搜索空间新区域的探索,如方程(47)所示。
(47) pld = 1/k?∑i=1kf(roidi) ∑j=1kf(rodj)rodij
最后,新速度的行为在以下方程(48)中表达。
(48) vi,d(t+1) = ω?vi,d(t) + c1?r1(pli,d(t)?xi,d(t)) + ??r2(pg,d(t)?xi,d(t))
这里?表示学习率,它模拟了pgd的效果,并在以下方程(49)中数学表达。
(49) ? = 1(1+exp?(?me1s∑i=1sf(xi)))
这里,s表示当前算法阶段中的人数,me1指的是在第一次迭代中计算的平均适应度值,gen表示当前过程中完成的重复总数。
3.13. 基于球面向量的粒子群优化
该变体称为球面向量基于粒子群优化(spso),由manh duong phung等人[44]创建,旨在为无人驾驶飞行器(uavs)制定最有效的路线规划。这种路线规划应用于具有多种威胁的环境中;这些环境相当复杂,作者将路线规划问题建模为要最小化的成本函数,为此开发了spso策略。spso策略将每条路径编码为球面系统中的向量(ωi),该系统具有三个分量,包括幅度p∈(0,pathlength)。
(50) ωi = (ρi1,ψi1,?i1,ρi2,ψi2,?i2,…,ρin,?in, n=n?2)
其中ρ是移动的幅度,每个粒子的运动由其速度表示,速度表示为一个增量向量,如方程(51)所定义。
(51) δωi = (δρi1,δψi1,δ?i1,δρi2,δψi2,…,δρin,δψin)
将球面向量(ρi1,ψi1,?i1)表示为uij,速度(δρi1,δψi1,δ?i1)表示为δuij,见方程(52)。
(52) δuijk+1 ? ωk?δuijk+n1r1j(qijk?uijk+n2r2j(qgjk?uijk)
其中uijk+1定义如下:
(53) uijk+1 ? uijk+δuijk+1, (i=1,2,…,m; j=1,2,…,n)
3.14. 用于混合变量优化的粒子群优化算法
该变体尝试解决涉及连续问题和离散问题的现实世界问题,这些问题被称为混合变量优化问题(mvops),该变体由feng wang等人[45]创建,称为用于混合变量优化问题的粒子群优化(mvops)。为了处理混合变量问题(mvops),采用了一种策略根据问题类型将种群分为两部分:连续问题或离散问题;如(54),(55)所示。
• 连续变量:
(54) xc = (x1c,x2c,…,xzc)
• 离散变量:
(55) xd = (xz+1d,xz+2d,…,xvd)
这种混合变量编码允许每种变量类型以不同的方式处理位置和速度更新。在连续复制方法中,连续变量的速度更新定义如下方程(56)。
(56) vi(t+1) = ω?vi(t) + c?rand(pbestr(t)?xi(t))
其中c设置为2.0,rand是在[0, 1]中分布的随机数,pbestr(t)是随机选择的个体最佳值。离散复制方法(mvops)为可用的离散值分配概率:
(57) probj,n(t+1) = α?probj,n(t) + (1?α)?countj,n
n/2
其中probj,n表示第n个可用值被分配为第j个变量的概率,α是平衡参数,countj,n表示在离散变量中取某个值的粒子数量。
3.15. 带有回溯搜索优化的粒子群优化
经典pso存在收敛问题,该变体尝试通过结合回溯搜索优化(bsa)算法的混合策略来解决这些问题;这种 hybridization 被称为带回溯搜索的粒子群优化(psobsa),由hamid reza rafat zaman等人[46]创建。这种混合化的优化策略用于优化连续问题,粒子的速度和位置计算如下方程(58)。
(58) vi(t+1) = ωvi(t) + c1r1(pbest?xi(t)) + c2r2(gbest?xi(t))
位置更新策略在方程(59)中。
(59) xi(t+1) = xi(t) + vi(t+1)
bsa突变引入了基于最佳局部位置的策略,见方程(60)。
(60) mutant = x+f(lbest?x)
其中,x是粒子的坐标,f是方向幅度,lbest是粒子i的邻域最优值。(bsa)交叉应用于矩阵,然后使用以下方程(61)更新粒子维度。
(61) tij = xij+a(λ?lbest?xij)
其中a是随机系数,λ是(0,1)中的数。
3.16. 金字塔粒子群优化
taiyong li等人[47]引入的金字塔pso(ppso)变体结合了金字塔结构和新颖的合作与竞争策略。其目标是提高种群多样性并避免在局部最小值中过早收敛。 k=1,2,…,kmax 3.9. 全面学习粒子群优化器 该变体受到全面学习粒子群优化器(clpso)的启发,结合了局部搜索(ls)和yulian cao等人[40]创建的多模态方法,该方法使用传统方法,如nelder-mead和拟牛顿(bfgs)。这种实现旨在提高算法的收敛性,因为pso算法倾向于在多模态函数上陷入局部最优解。特别是,该变体的作者提出的方法使用hessian矩阵的更新,数学表达式见方程(37)。 (37) hk+1=Hk+qk?qkT + qkt?sk ? hk?sk?skt?hkt + skt?hk?sk 其中sk=xk+1?xk,qk=?f(xk+1)??f(xk)。作者提出的变体执行以下步骤: 1. 种群初始化。 2. 执行clpso(带迭代评估)。 3. 基于拟熵自适应确定ls的起始。 4. 应用ls以提高收敛性。 5. 更新最佳全局位置。 作者提出的启动自适应ls的策略如下方程(38)描述。 (38) qet ≤ θ?qe0 当迭代t时的qe值相对于初始种群对应的值降低到一定百分比时,激活局部搜索机制(ls)。在这种情况下,θ表示qe的减少率。因此,在迭代t的qe满足方程(38)中建立的条件时定义了启动ls和clpso的自适应策略。 3.10. 混沌粒子群优化算法 该变体由alaa tharwat等人创建,称为混沌粒子群优化(cpso)[41],它提出在更新每个粒子的速度时实现混沌动力学,并引入了一种新的计算它们位置的方法。使用混沌映射来控制参数r1和r2,这取决于你想要更多地修改探索性还是利用性。在cpso-1中,参数r1在迭代过程中以以下方式修改以适应混沌映射。带r1修改的新速度的数学表达式如下方程(39)。 (39) vit+1=ω?vi(t) + c1??(t)(pi(t)?xi(t)) + c2?r2(g?xi(t)) 其中(?)是一个混沌映射,在标准pso中,r1是0到1之间的随机数,而在cpso-1算法中,它是0到1之间的混沌数。 在cpso-2中,参数r2被修改,表示速度的方程是方程(40)。 (40) vit+1=ω?vi(t) + c1?r1(pi(t)?xi(t)) + c2??(t)(g?xi(t)) 其中(?)表示混沌映射,这将区间[0, 1]中的随机值分别替换为r1和r2。 3.11. 分数混沌集成粒子群优化器 该变体受到另一种称为“集成粒子群优化器”(epso)的pso变体的启发,改进这个变体的目标是使原始算法的利用性和探索性更加稳健。dalia yousri等人[42]提出的“分数混沌集成粒子群优化”(fc-epso)的提案是使用(epso)的数学表达式来计算粒子的速度,如下方程(41)。 (41) vid=ω?vid + c1?rand1id?(pbestid?xiid) + c2?rand2id(gbestd?xiid) + c3?(nbestjd?xiid) 在这种表示中,fc-epso中的参数ω根据方程(42)在0.2到0.99的范围内混沌变化。同样,加速度系数c1和c2也进行混沌调整,c1的范围是从2.5到0.5,c2的范围是从0.5到2.5,分别遵循(43),(44)。 (42) (c?ω)k=(ωI?t(ωF?ωI)T) + normchaosk (43) (c?c1)k=(c1I?t(c1F?c1I)T) + normchaosk (44) (c?c2)k=(c2I?t(c2F?c2I)T) + normchaosk (45) normchaosk=(F?Chaosk?min(F?Chaosk))+(b?a)(max(F?Chaos)?min(F?Chaosk))+a 在这种情况下,(c?ω)被定义为混沌惯性权重,它遵循混沌fc映射所施加的分布,取决于索引k。这个索引取值k={1,2,3},其中k=1对应于FC-logistic映射,k=2对应于FC-sine映射,k=3对应于FC-tent映射。此外,参数ωI和ωF分别代表惯性权重的下限和上限,从而限制了其在整个优化过程中的动态调整范围。同样,参数a和b建立了归一化范围的最小和最大值。 3.12. 带有混合突变策略的多种群协作粒子群优化 该变体称为mpcpso,由wei li等人[43]创建,引入了分段学习和差分突变技术来提高种群多样性以及迭代间的收敛性。mpcpso将种群分为两组,分别称为“精英种群”(ep)和“普通种群”(gp)。考虑到这种种群分离,(ep)采用多模态全面学习策略(mdcls),而种群(gp)使用动态分段学习策略(dsmls)。普通种群中的每个粒子被分割成m个区域,如方程(46)所示。 (46) m=genmaxGen?D 在这个阶段,gen表示到目前为止在过程中执行的重复次数,反映了算法的当前阶段。同时,maxgen表示算法允许的最大重复次数。d对应于问题维度,即必须在搜索空间中优化的变量数量。然后应用锦标赛选择方法来选择精英群体的k个成员。这个过程确保表现最好的粒子更有可能被选中,同时保持足够的多样性以有效探索解决方案空间。锦标赛选择因此有助于平衡对最有希望的解决方案的利用与对搜索空间新区域的探索,如方程(47)所示。 (47) pld=1/k?∑i=1kf(roidi) ∑j=1kf(rodj)rodij 最后,新速度的行为在以下方程(48)中表达。 (48) vi,d(t+1)=ω?vi,d(t) + c1?r1(pli,d(t)?xi,d(t)) + ??r2(pg,d(t)?xi,d(t)) 这里?表示学习率,它模拟了pgd的效果,并在以下方程(49)中数学表达。 (49) ?=1(1+exp?(?me1s∑i=1sf(xi))) 这里,s表示当前算法阶段中的人数,me1指的是在第一次迭代中计算的平均适应度值,gen表示当前过程中完成的重复总数。 3.13. 基于球面向量的粒子群优化 该变体称为球面向量基于粒子群优化(spso),由manh duong phung等人[44]创建,旨在为无人驾驶飞行器(uavs)制定最有效的路线规划。这种路线规划应用于具有多种威胁的环境中;这些环境相当复杂,作者将路线规划问题建模为要最小化的成本函数,为此开发了spso策略。spso策略将每条路径编码为球面系统中的向量(ωi),该系统具有三个分量,包括幅度p∈(0,pathlength)。 (50) ωi=(ρi1,ψi1,?i1,ρi2,ψi2,?i2,…,ρiN,?iN, n=n?2) 其中ρ是移动的幅度,每个粒子的运动由其速度表示,速度表示为一个增量向量,如方程(51)所定义。 (51) δωi=(Δρi1,Δψi1,Δ?i1,Δρi2,Δψi2,…,ΔρiN,ΔψiN) 将球面向量(ρi1,ψi1,?i1)表示为uij,速度(δρi1,δψi1,δ?i1)表示为δuij,见方程(52)。 (52) δuijk+1 ? ωk?δuijk+n1r1j(qijk?uijk+n2r2j(qgjk?uijk) 其中uijk+1定义如下: (53) uijk+1 ? uijk+δuijk+1, (i=1,2,…,M; j=1,2,…,N) 3.14. 用于混合变量优化的粒子群优化算法 该变体尝试解决涉及连续问题和离散问题的现实世界问题,这些问题被称为混合变量优化问题(mvops),该变体由feng wang等人[45]创建,称为用于混合变量优化问题的粒子群优化(mvops)。为了处理混合变量问题(mvops),采用了一种策略根据问题类型将种群分为两部分:连续问题或离散问题;如(54),(55)所示。 • 连续变量: (54) xc=(x1C,x2C,…,xZC) • 离散变量: (55) xd=(xZ+1D,xZ+2D,…,xVD) 这种混合变量编码允许每种变量类型以不同的方式处理位置和速度更新。在连续复制方法中,连续变量的速度更新定义如下方程(56)。 (56) vi(t+1)=ω?vi(t) + c?rand(pbestr(t)?xi(t)) 其中c设置为2.0,rand是在[0, 1]中分布的随机数,pbestr(t)是随机选择的个体最佳值。离散复制方法(mvops)为可用的离散值分配概率: (57) probj,n(t+1)=α?Probj,n(t) + (1?α)?countj,n n 2 其中probj,n表示第n个可用值被分配为第j个变量的概率,α是平衡参数,countj,n表示在离散变量中取某个值的粒子数量。 3.15. 带有回溯搜索优化的粒子群优化 经典pso存在收敛问题,该变体尝试通过结合回溯搜索优化(bsa)算法的混合策略来解决这些问题;这种 hybridization 被称为带回溯搜索的粒子群优化(psobsa),由hamid reza rafat zaman等人[46]创建。这种混合化的优化策略用于优化连续问题,粒子的速度和位置计算如下方程(58)。 (58) vi(t+1)=ωvi(t) + c1r1(pbest?xi(t)) + c2r2(gbest?xi(t)) 位置更新策略在方程(59)中。 (59) xi(t+1)=xi(t) + vi(t+1) bsa突变引入了基于最佳局部位置的策略,见方程(60)。 (60) mutant=X+F(Lbest?X) 其中,x是粒子的坐标,f是方向幅度,lbest是粒子i的邻域最优值。(bsa)交叉应用于矩阵,然后使用以下方程(61)更新粒子维度。 (61) tij=Xij+A(λ?Lbest?Xij) 其中a是随机系数,λ是(0,1)中的数。 3.16. 金字塔粒子群优化 taiyong>
3.9. 全面学习粒子群优化器
该变体受到全面学习粒子群优化器(clpso)的启发,结合了局部搜索(ls)和yulian cao等人[40]创建的多模态方法,该方法使用传统方法,如nelder-mead和拟牛顿(bfgs)。这种实现旨在提高算法的收敛性,因为pso算法倾向于在多模态函数上陷入局部最优解。特别是,该变体的作者提出的方法使用hessian矩阵的更新,数学表达式见方程(37)。
(37) hk+1 = hk+qk?qkt + qkt?sk ? hk?sk?skt?hkt + skt?hk?sk
其中sk=xk+1?xk,qk=?f(xk+1)??f(xk)。作者提出的变体执行以下步骤:
1. 种群初始化。
2. 执行clpso(带迭代评估)。
3. 基于拟熵自适应确定ls的起始。
4. 应用ls以提高收敛性。
5. 更新最佳全局位置。
作者提出的启动自适应ls的策略如下方程(38)描述。
(38) qet ≤ θ?qe0
当迭代t时的qe值相对于初始种群对应的值降低到一定百分比时,激活局部搜索机制(ls)。在这种情况下,θ表示qe的减少率。因此,在迭代t的qe满足方程(38)中建立的条件时定义了启动ls和clpso的自适应策略。
3.10. 混沌粒子群优化算法
该变体由alaa tharwat等人创建,称为混沌粒子群优化(cpso)[41],它提出在更新每个粒子的速度时实现混沌动力学,并引入了一种新的计算它们位置的方法。使用混沌映射来控制参数r1和r2,这取决于你想要更多地修改探索性还是利用性。在cpso-1中,参数r1在迭代过程中以以下方式修改以适应混沌映射。带r1修改的新速度的数学表达式如下方程(39)。
(39) vit+1 = ω?vi(t) + c1??(t)(pi(t)?xi(t)) + c2?r2(g?xi(t))
其中(?)是一个混沌映射,在标准pso中,r1是0到1之间的随机数,而在cpso-1算法中,它是0到1之间的混沌数。
在cpso-2中,参数r2被修改,表示速度的方程是方程(40)。
(40) vit+1 = ω?vi(t) + c1?r1(pi(t)?xi(t)) + c2??(t)(g?xi(t))
其中(?)表示混沌映射,这将区间[0, 1]中的随机值分别替换为r1和r2。
3.11. 分数混沌集成粒子群优化器
该变体受到另一种称为“集成粒子群优化器”(epso)的pso变体的启发,改进这个变体的目标是使原始算法的利用性和探索性更加稳健。dalia yousri等人[42]提出的“分数混沌集成粒子群优化”(fc-epso)的提案是使用(epso)的数学表达式来计算粒子的速度,如下方程(41)。
(41) vid = ω?vid + c1?rand1id?(pbestid?xiid) + c2?rand2id(gbestd?xiid) + c3?(nbestjd?xiid)
在这种表示中,fc-epso中的参数ω根据方程(42)在0.2到0.99的范围内混沌变化。同样,加速度系数c1和c2也进行混沌调整,c1的范围是从2.5到0.5,c2的范围是从0.5到2.5,分别遵循(43),(44)。
(42) (c?ω)k = (ωi?t(ωf?ωi)t) + normchaosk
(43) (c?c1)k = (c1i?t(c1f?c1i)t) + normchaosk
(44) (c?c2)k = (c2i?t(c2f?c2i)t) + normchaosk
(45) normchaosk = (f?chaosk?min(f?chaosk))+(b?a)(max(f?chaos)?min(f?chaosk))+a
在这种情况下,(c?ω)被定义为混沌惯性权重,它遵循混沌fc映射所施加的分布,取决于索引k。这个索引取值k={1,2,3},其中k=1对应于fc-logistic映射,k=2对应于fc-sine映射,k=3对应于fc-tent映射。此外,参数ωi和ωf分别代表惯性权重的下限和上限,从而限制了其在整个优化过程中的动态调整范围。同样,参数a和b建立了归一化范围的最小和最大值。
3.12. 带有混合突变策略的多种群协作粒子群优化
该变体称为mpcpso,由wei li等人[43]创建,引入了分段学习和差分突变技术来提高种群多样性以及迭代间的收敛性。mpcpso将种群分为两组,分别称为“精英种群”(ep)和“普通种群”(gp)。考虑到这种种群分离,(ep)采用多模态全面学习策略(mdcls),而种群(gp)使用动态分段学习策略(dsmls)。普通种群中的每个粒子被分割成m个区域,如方程(46)所示。
(46) m = genmaxgen?d
在这个阶段,gen表示到目前为止在过程中执行的重复次数,反映了算法的当前阶段。同时,maxgen表示算法允许的最大重复次数。d对应于问题维度,即必须在搜索空间中优化的变量数量。然后应用锦标赛选择方法来选择精英群体的k个成员。这个过程确保表现最好的粒子更有可能被选中,同时保持足够的多样性以有效探索解决方案空间。锦标赛选择因此有助于平衡对最有希望的解决方案的利用与对搜索空间新区域的探索,如方程(47)所示。
(47) pld = 1/k?∑i=1kf(roidi) ∑j=1kf(rodj)rodij
最后,新速度的行为在以下方程(48)中表达。
(48) vi,d(t+1) = ω?vi,d(t) + c1?r1(pli,d(t)?xi,d(t)) + ??r2(pg,d(t)?xi,d(t))
这里?表示学习率,它模拟了pgd的效果,并在以下方程(49)中数学表达。
(49) ? = 1(1+exp?(?me1s∑i=1sf(xi)))
这里,s表示当前算法阶段中的人数,me1指的是在第一次迭代中计算的平均适应度值,gen表示当前过程中完成的重复总数。
3.13. 基于球面向量的粒子群优化
该变体称为球面向量基于粒子群优化(spso),由manh duong phung等人[44]创建,旨在为无人驾驶飞行器(uavs)制定最有效的路线规划。这种路线规划应用于具有多种威胁的环境中;这些环境相当复杂,作者将路线规划问题建模为要最小化的成本函数,为此开发了spso策略。spso策略将每条路径编码为球面系统中的向量(ωi),该系统具有三个分量,包括幅度p∈(0,pathlength)。
(50) ωi = (ρi1,ψi1,?i1,ρi2,ψi2,?i2,…,ρin,?in, n=n?2)
其中ρ是移动的幅度,每个粒子的运动由其速度表示,速度表示为一个增量向量,如方程(51)所定义。
(51) δωi = (δρi1,δψi1,δ?i1,δρi2,δψi2,…,δρin,δψin)
将球面向量(ρi1,ψi1,?i1)表示为uij,速度(δρi1,δψi1,δ?i1)表示为δuij,见方程(52)。
(52) δuijk+1 ? ωk?δuijk+n1r1j(qijk?uijk+n2r2j(qgjk?uijk)
其中uijk+1定义如下:
(53) uijk+1 ? uijk+δuijk+1, (i=1,2,…,m; j=1,2,…,n)
3.14. 用于混合变量优化的粒子群优化算法
该变体尝试解决涉及连续问题和离散问题的现实世界问题,这些问题被称为混合变量优化问题(mvops),该变体由feng wang等人[45]创建,称为用于混合变量优化问题的粒子群优化(mvops)。为了处理混合变量问题(mvops),采用了一种策略根据问题类型将种群分为两部分:连续问题或离散问题;如(54),(55)所示。
• 连续变量:
(54) xc = (x1c,x2c,…,xzc)
• 离散变量:
(55) xd = (xz+1d,xz+2d,…,xvd)
这种混合变量编码允许每种变量类型以不同的方式处理位置和速度更新。在连续复制方法中,连续变量的速度更新定义如下方程(56)。
(56) vi(t+1) = ω?vi(t) + c?rand(pbestr(t)?xi(t))
其中c设置为2.0,rand是在[0, 1]中分布的随机数,pbestr(t)是随机选择的个体最佳值。离散复制方法(mvops)为可用的离散值分配概率:
(57) probj,n(t+1) = α?probj,n(t) + (1?α)?countj,n
n/2
其中probj,n表示第n个可用值被分配为第j个变量的概率,α是平衡参数,countj,n表示在离散变量中取某个值的粒子数量。
3.15. 带有回溯搜索优化的粒子群优化
经典pso存在收敛问题,该变体尝试通过结合回溯搜索优化(bsa)算法的混合策略来解决这些问题;这种 hybridization 被称为带回溯搜索的粒子群优化(psobsa),由hamid reza rafat zaman等人[46]创建。这种混合化的优化策略用于优化连续问题,粒子的速度和位置计算如下方程(58)。
(58) vi(t+1) = ωvi(t) + c1r1(pbest?xi(t)) + c2r2(gbest?xi(t))
位置更新策略在方程(59)中。
(59) xi(t+1) = xi(t) + vi(t+1)
bsa突变引入了基于最佳局部位置的策略,见方程(60)。
(60) mutant = x+f(lbest?x)
其中,x是粒子的坐标,f是方向幅度,lbest是粒子i的邻域最优值。(bsa)交叉应用于矩阵,然后使用以下方程(61)更新粒子维度。
(61) tij = xij+a(λ?lbest?xij)
其中a是随机系数,λ是(0,1)中的数。
3.16. 金字塔粒子群优化
taiyong li等人[47]引入的金字塔pso(ppso)变体结合了金字塔结构和新颖的合作与竞争策略。其目标是提高种群多样性并避免在局部最小值中过早收敛。>PPSO的金字塔结构将粒子分层次地组织在一个金字塔内,粒子的层级根据每个粒子的特性进行分配;层级的顺序如下:
- 最優秀的粒子位于金字塔的顶部。
- 每一层包含适应度范围相似的粒子。
- 每一层的胜利者会与更高层的粒子合作。
- 失败者只从自己的历史记录和同层的胜利者那里学习。
所谓的失败粒子的速度更新策略如下所示(公式(62):
$$
v_{PLi,j}(t+1) = r_1 \cdot v_{PLi,j}(t) + r_2 \cdot (B_{PLi,j}(t) - x_{PLi,j}(t)) + r_3 \cdot (x_{PWi,j}(t) - x_{PLi,j}(t))
$$
$$
x_{PLi,j}(t+1) = x_{PLi,j}(t) + v_{PLi,j}(t+1)
$$
胜利粒子使用以下策略:
$$
v_{PWi,j}(t+1) = r_4 \cdot v_{PWi,j}(t) + r_5 \cdot (B_{PWi,j}(t) - x_{PWi,j}(t)) + r_6 \cdot (x_{Pi-1,k}(t) - x_{PWi,j}(t)) + \rho \cdot r_7 \cdot (x_{P1,m}(t) - x_{PWi,j}(t))
$$
$$
x_{PWi,j}(t+1) = x_{PWi,j}(t) + v_{PWi,j}(t+1)
$$
其中 $ r_i (i=1,\ldots,7) $ 是均匀随机值,$\rho $ 控制顶层粒子的影響力;$ P_{i,j}, P_{Li,j}, P_{Wi,j} $ 是第 $ t $ 代粒子的当前状态,$ x_{pt}, v_{pt}, B_{pt } $ 是粒子的位置、速度和历史最佳值;$ k,m $ 是随机正整数。
3.17. 三阶段协同进化竞争群优化算法(TPCSO)用于大规模问题
由于大规模问题的高维性和局部最优解的存在,优化这些问题具有挑战性。陈黄等人提出了这种变体,它通过使用子群体和每个进化阶段的差异化学习策略来提高CSO的收敛性和搜索能力。TPCSO的三阶段策略基于将群体分为两个子群体,并根据进化阶段调整它们的更新策略:
1. 在这个阶段,优先探索搜索空间,对于子群体1,速度和位置方程如下:
$$
v_{LSi}(t+1) = r_1t \cdot v_{LSi}(t) + r_2t \cdot (x_{WSi}(t) - x_{LSi}(t)) + \Phi_1 \cdot r_3t \cdot (x_{Si}(t) - x_{LSi}(t)
$$
$$
x_{LSi}(t+1) = x_{LSi}(t) + v_{LSi}(t+1)
$$
其中 $ x_{WSi}, x_{LSi} $ 是子群体i中的胜利者和失败者的坐标($ i=1,2 $);$\Phi_1 $ 控制 $ x_{Si} $ 的影响力,$ r_1t, r_2t \in (0,1) $。
2. 在第二阶段,子群体之间交换信息以提高利用效率。第一个子群体的方程如下:
$$
v_{LS1}(t+1) = r_1t \cdot v_{LS1}(t) + r_2t \cdot (x_{WS1}(t) - x_{LS1}(t)) + \Phi_2 \cdot r_3t \cdot (x_{WS2}(t) - x_{LS1}(t)
$$
$$
x_{LS1}(t+1) = x_{LS1}(t) + v_{LS1}(t+1)
$$
第二个子群体的方程如下:
$$
v_{LS2}(t+1) = r_1t \cdot v_{LS2}(t) + r_2t \cdot (x_{WS2}(t) - x_{LS2}(t)) + \Phi_2 \cdot r_3t \cdot (x_{WS1}(t) - x_{LS2}(t)
$$
其中 $ x_{WS1t } $ 和 $ x_{WS2t } $ 分别表示两个子群体中胜利者的位置。$ \Phi_2 $ 表示控制值,$ r_1t, r_2t, r_3t $ 是介于0和1之间的随机数。
3. 在第三阶段,重点在于全局收敛:
$$
v_{LSi}(t+1) = r_1t \cdot v_{LSi}(t) + r_2t \cdot (x_{WSi}(t) + \Phi_3 \cdot (g_{Best}(t) - x_{LSi}(t))
$$
$$
x_{LSi}(t+1) = x_{LSi}(t) + v_{LSi}(t+1)
$$
其中 $ g_{Best}(t) $ 是迄今为止所有粒子找到的最佳解。
3.18. 带有精英学习、增强参数更新和指数变异算子的粒子群优化算法(PSO-ELPM)
Moazen等人提出的这种变体(PSO-ELPM)包括三种策略,旨在提高经典算法的性能:
1. 精英学习选择最佳的 $ p_{Best} $ 作为样本以提高搜索质量。在每次迭代中,将 $ t $ 个群体的子群体识别为精英粒子组,标记为 $ Et $。这个精英组由根据优化标准表现最好的粒子组成,在解的有希望的区域内管理搜索过程(见公式(72):
$$
E_t = \{ p_{Best}_i | p_{Best}_i.c_s < ce \cdot g_{Best}(t).c_s \}
$$
其中 $ ce $ 是确定是否被认为是精英的阈值,$ c_s $ 表示假设粒子的成本值。
2. 内部权重更新如下所示(公式(73):
$$
w_{nt} = w_{min} + (w_{max} - w_{min}) \cdot \left(\frac{t}{t_{max}} - t \right)
$$
$ w_{min} $ 和 $ w_{max } $ 是最大和最小值,$ t_{max } $ 表示最大迭代次数。
自我认知系数向量 $ c_1t = [c_{1e1t}, c_{1e2t}, \ldots, c_{1en_t} ] $ 使用公式(74)计算得出:
$$
c_{1t} = F_t R_t
$$
认知自我的参数使用矩阵 $ F_t = [f_{e1t}, f_{e2t}, \ldots, f_{en_t} ] $ 计算得出(公式(75):
$$
f_{ejt} = \frac{g_{Best}_t.c_s p_{ejt.c_s}{3} \sum_{k=1}^{n_t} g_{Best}_t.c_s p_{ejt.c_s}
$$
粒子的速度更新如下(公式(76):
$$
v_{it+1} = w_{nt} \cdot v_{it} + c_1t(E_{mt} - \gamma_{it}) + c_2t(g_{Best}_t - x_{it})
$$
其中矩阵 $ E_{mt} $ 是按照相同的格式为第 $ j $ 行创建的,矩阵 $ \gamma_{it} $ 通过将 $ x_{it} $ 复制到每一行中来形成。
3. 引入指数变异,根据每个粒子的历史增加群体的多样性,每个粒子的变异概率定义如下(公式(77):
$$
m_{uit} = w_{\mu t} \cdot w_{\Gamma_t}
$$
$ w_{\mu t } $ 控制变异概率,并随着时间的推移逐渐减少搜索范围(公式78),而 $ NSI_i $ 和 $ N_i $ 表示粒子的停滞和可用迭代次数。
3.19. 带有位置更新的增强型粒子群优化算法(EBPSO)
Sani Tijjani等人提出的这种变体(EBPSO)引入了位置更新机制以提高收敛性。EBPSO采用降维机制来降低计算成本。这种降维基于主成分分析(PCA),算法流程如下:
1. 应用PCA来降低特征集的维度。
2. 用降维后的特征集训练KNN分类器。
3. 将准确性与原始特征集进行比较,并调整特征数量直到准确性达到最佳。
速度更新遵循标准PSO格式(公式(79):
$$
v(t+1) = \omega v(t) + c_1 r_1(p_{Best}-x(t)) + c_2 r_2(g_{Best}-x(t))
$$
在这个公式中,首先引入了随机变量 $ r_1, r_2 $,使过程具有随机性,而参数 $ c_1, c_2 $ 作为加速度常数,决定粒子的相对影响。另一方面,惯性权重 $ \omega $ 负责全局搜索和局部使用的控制差异。
有两种策略用于计算粒子位置(EBPSO1):一种将位置值限制在预定阈值内,并将其用作位移概率(公式(80):
$$
x^{(t+1)} = x^{(t)} + v(t+1)
$$
当 $ x^{(t+1)} \geq 1 $ 时;当 $ x^{(t+1)} < 0 $ 时。
另一种(EBPSO2)在确定位移概率之前对位置应用Sigmoid函数(公式(83):
$$
x^{(t+1)} = 1 - e^{-x^{(t+1)}
$$
3.20. 改进的粒子群优化算法(NDWPSO)
Jinwei Qiao等人提出的这种变体(NDWPSO)结合了基于精英对抗、动态惯性权重、死锁检测的学习策略,以及受鲸鱼优化算法(WOA)和差分进化(DE)启发的搜索策略。算法的主要策略如下:
1. 基于精英对抗的初始化,通过以下公式(84)提高初始多样性:
$$
x_{oij} = k_r \cdot (u_{xoij} + l_xoij) - x_{ij}
$$
2. 基于迭代映射方法的动态惯性权重更新,用于更新初始惯性权重(公式(85):
$$
\omega_{k+1} = \sin^2\left(b \cdot \pi / \omega_k \right) \cdot k / M_k
$$
3. 如果最佳粒子的值在M次迭代中不变,则采用局部最优解逃逸策略,恢复40%的群体。
4. 基于WOA的螺旋搜索,在逃逸局部最优解后进行螺旋搜索(公式(86):
$$
x_{ij}(t+1) = D \cdot e^{B} \cdot l \cdot \cos^2(2\pi l) + g_{Best}
$$
5. 差分变异,引入差分变异算子以提高多样性(公式(87):
$$
x^* = g_{Best} + F \cdot (x_{r1}-x_{r2}) + F \cdot (x_{r3}-x_{r4})
$$
4. 拓扑结构
根据本调查中的初步陈述,PSO算法是一种基于群体的优化算法,受到生物系统(如鸟群或鱼群)集体行为的启发。影响其性能的关键因素之一是拓扑结构,它决定了粒子在群体内的交互方式。拓扑结构的选择直接影响算法探索搜索空间和找到最优解的能力。PSO算法主要使用两种经典拓扑配置来定义粒子之间的交互:全局最佳拓扑(Gbest)和局部最佳拓扑(Lbest),如图7所示。
下载:下载高分辨率图像(217KB)
下载:下载全尺寸图像
图7. PSO算法的主要拓扑结构
4.1. 全局最佳拓扑(Gbest)
在这种配置中,群体中的所有粒子都是完全连接的,这意味着每个粒子可以随时访问任何其他粒子找到的最佳解。每个粒子的位置根据其个人最佳位置(Pbest)和群体找到的全局最佳位置(Gbest)进行更新。这种拓扑结构允许非常快速的收敛,因为最佳解直接影响整个群体中的所有粒子。然而,这种快速收敛增加了陷入局部最优解的可能性,因为粒子的移动多样性较低。由于其简单性,Gbest易于实现,并且在具有平滑、单峰目标函数的问题上表现良好,但在需要探索的复杂、多峰景观中表现较差。
4.2. 局部最佳拓扑(Lbest)
每个粒子只与群体中的一部分粒子(称为其邻居)通信。粒子不是朝向最佳全局解移动,而是受到其组内找到的最佳解的引导。这促进了粒子移动的多样性,减少了过早收敛的可能性。不同的邻居结构定义了粒子之间的交互方式。在环状拓扑中,每个粒子只与两个最近的邻居通信,确保更分布式的搜索并避免快速收敛。网格拓扑将粒子排列在2D或3D结构中,允许更好的搜索空间探索。树状拓扑遵循层次结构,有助于结构化的收敛,但可能限制探索。虽然Lbest在多峰问题中实现了更稳健的搜索,但它需要仔细调整邻居大小,较慢的收敛速度在时间敏感的应用中可能是一个缺点。
4.3. 拓扑对PSO性能影响的首次研究
在开发的早期阶段,研究的主要方向是系统的动态控制,特别是通过减小速度和在运动方程中引入系数来避免轨迹的不稳定性。因此,对拓扑结构的系统分析被放在了次要位置,直到Watts和Strogatz关于小世界网络的研究发表后,才重新引起了人们对网络拓扑对复杂动态系统影响的兴趣[52]。基于这种新方法,Kennedy进行了一系列研究,系统地修改了群体的社交拓扑结构,以评估粒子间连接对算法整体行为的影响[53]。结果显示,在小规模群体(例如20个粒子)中,小世界效应没有带来显著的好处,但在较大群体中发现了改进潜力。还观察到,与给定拓扑相关的性能取决于所考虑的目标函数。这强调了根据具体问题调整通信结构的必要性。
在这种适应性视角下,提出了结合不同拓扑配置优势的混合方法。例如,建议从Lbest结构开始搜索,该结构具有更高的搜索空间探索度,并逐步增加邻居大小,直到过程的最后阶段达到Gbest结构,从而加快收敛速度。此外,还探索了基于粒子间空间接近度动态定义邻居的变体,允许在执行过程中逐步扩展连接。尽管报告的结果是轶事的,但在某些条件下记录了性能改进。针对新拓扑的研究继续进行,评估了更多复杂结构。特别是,Kennedy和Mendes研究了各种配置[54],如基于三维结构的金字塔拓扑、具有中心节点影响所有粒子的星形拓扑、由团和孤立节点组成的异构图、在具有周期性边界条件的二维网格上排列的冯·诺伊曼型邻居,以及具有不同结构特性的随机图。在这些比较实验中,Gbest拓扑在达到满意解所需的迭代次数中始终排名第二。Lbest拓扑虽然需要更多迭代,但在实现既定错误标准方面更加一致。
此外,还提出了基于相对性能标准的邻居选择机制。在这方面,Peram等人引入了适应度距离比(FDR)[55]作为识别每个粒子最合适交互伙伴的标准。这种方法优先考虑与邻近粒子的适应度影响,增加了高效收敛的概率。将这种方法与Gbest结构结合使用,使我们能够在基准函数上超越标准PSO(图8)。
下载:下载高分辨率图像(136KB)
下载:下载全尺寸图像
图8. PSO早期研究中探索的拓扑结构
其他方法关注动态子群体的形成。Liang和Suganthan提出将群体分成随机子群体,并定期重新结构化,在多模问题特别是小子群体(n = 3)上取得了良好的结果,并且每5次迭代重新结构化一次[56]。此外,Janson和Middendorf开发了一种动态层次结构,其中每个粒子受到其过去表现和层次结构中上方粒子的表现的影响[57]。这种结构允许表现更好的粒子在层次结构中上升,增加了它们对表现较差粒子的影响力,从而在多个测试函数上实现了持续的改进。
最创新的拓扑方法之一是Clerc开发的TRIBES系统[58]。这种方法消除了预定义的参数,允许拓扑结构和群体大小根据搜索过程中观察到的性能动态演变。群体被组织成“部落”或子群体,每个部落都有其内部配置。表现出色的部落会消除最弱的成员以优化其结构,而表现较差的部落则吸收新生成的个体,从而增加群体多样性。这种自适应策略在广泛的目标函数中展示了具有竞争力的结果,使其成为自适应粒子群算法(PSO)领域中的一个突出方案。遗传算法(GA)中关于生态位技术的研究,特别是解决多模态问题的研究,重新激发了对PSO中局部拓扑结构的兴趣。生态位一词来源于进化论,指的是物种为了适应特定最优解而减少变异性的过程。在粒子群的社会背景下,这一概念可以被解释为形成规范或一致性,其中连接的粒子子群相互作用,直到它们围绕不同的最优解收敛。生态位技术的主要目标是将粒子群划分为多个子群,以同时识别和探索多个最优解区域。在遗传算法中,这些技术包括拥挤机制、适合度共享、顺序生态位技术和物种保护[59]。在PSO的情况下,最常实施的是拥挤和适合度共享策略。然而,Lbest拓扑结构自然代表了一种并行搜索策略,有利于检测多个最优解。通过使用部分重叠的邻域,这种拓扑结构促进了解决方案之间的竞争:当一个解决方案传播时,其他解决方案可能会被取代,最终被遗忘。李[60]展示了具有Lbest拓扑结构的PSO可以作为一种生态位算法。关键在于每个粒子的个人记忆(Pbest)形成了一个稳定的网络,保留了找到的最佳位置,同时粒子继续探索搜索空间。李表明,具有这种拓扑结构的足够大的粒子群体可以找到分布在整个搜索空间中的主导生态位(最优解)。这意味着粒子可以找到质量大致相当的解决方案。
5. 惯性权重的调整
PSO算法是一种受到自然界中群体行为启发的技术,例如鸟类或鱼群的群体行为。其操作中的一个关键元素是惯性参数,它调节粒子(或候选解)在优化过程中的移动方式。惯性就像是一种力,保持了粒子的动量,使它们能够保留前几次迭代中的一部分速度。这个概念对于平衡PSO的两个基本方面至关重要:探索:当ω较高时,粒子倾向于移动得更远,这有利于在解决方案空间中寻找新的区域;利用:当ω较低时,粒子专注于改进接近已找到的最佳解的区域。惯性权重在探索与利用之间的平衡中起着至关重要的作用。如上所述,该参数定义了粒子在每次迭代中其先前速度对其当前速度的影响程度。在Eberhart和Kennedy于1995年提出的PSO原始版本[1]中,没有包括惯性权重。1998年,Shi和Eberhart[2]首次引入了这一概念,提出使用恒定的惯性权重来提高算法的性能。他们强调,较高的惯性权重有利于全局搜索,使粒子能够广泛探索解决方案空间;相反,较低的权重则鼓励局部搜索,将焦点集中在特定区域。随后,许多研究者提出了惯性权重的动态调整方法,从而提高了PSO的灵活性和适应能力,使其能够适应优化的不同阶段。根据它们的性质和调整方法,不同的惯性权重操作符分为三类:
- 静态或随机惯性权重:在这类中,惯性权重在整个过程中保持不变或随机变化。其主要特点是它不依赖于关于群体行为的反馈或历史信息。这简化了其实现,但可能限制了其在优化过程中不同阶段的适应性。
- 时间变量惯性权重:在这类中,惯性权重随迭代次数的变化而变化,通常遵循预定义的函数。这种方法通常称为变量惯性加权,允许在早期阶段偏向探索,在后期阶段偏向利用。
- 自适应惯性权重:在这种方法中,惯性权重不是保持不变的,而是根据反馈参数(如获得的解决方案的质量或群体内保持的多样性程度)动态调整。通过响应算法的实时性能,这种机制引入了更高水平的灵活性和适应性,使得能够连续调整探索与利用之间的平衡。这种适应性确保了算法在需要时可以探索新区域,同时仍然能够有效利用有前景的区域。
以下部分按时间顺序概述了为PSO提出的最重要的惯性权重策略。Eberhart和Shi[61]引入了一种随机惯性权重策略,并通过实验表明它增强了PSO的收敛行为,特别是在初始迭代期间。在他们的研究中,分析了几个范围的惯性权重值,结果表明当w设置在区间[0.8,1.2]内时,算法的性能得到了改善。基于这一想法,Xin和Chen[62]开发了第一个时间变量惯性权重方法,即线性变化惯性权重(LVIW),旨在逐步调整迭代过程中的惯性权重。该策略的数学表达式为:
$$
\omega_t = \left(\omega_{\max} - \omega_{\min}\right) \left(\frac{T - t}{T}\right) + \omega_{\min}
$$
其中,$\omega_{\max}$和$\omega_{\min}$分别表示惯性权重的初始值和最终值,$T$表示最大迭代次数,$t$对应于当前迭代索引。线性减少策略[62]已被证明可以提高效率和解决方案的质量。经验评估证实,将惯性权重逐渐从0.9降低到0.4可以获得非常有竞争力的结果。然而,尽管这种策略能够引导群体朝向最优解,但它并非免疫于过早收敛。在某些情况下,当解决多模态函数时,群体可能会陷入次优区域。另一种扩展是在全局-局部最优惯性权重方法[63]中提出的,在该方法中,惯性权重是根据每一代中识别的最佳局部和全局解动态确定的,而不是由常数或线性递减的计划控制的。为了专门解决过早收敛到局部最小值的问题,提出了自适应惯性权重方法[64],该方法侧重于提高PSO的探索能力。这种策略通过根据进化状态动态调整惯性权重来调节群体多样性,从而在搜索过程中精细平衡探索与利用。同样,Fayek等人[65]引入了一种结合了模拟退火(PSOSA)的优化粒子群优化方法,其中模拟退火被用作调整惯性权重的机制。他们的研究结果在城市规划应用的背景下表现出显著的改进,特别是在处理具有大量规划单元的大规模问题时,不仅在收敛速度上有所提高,而且在长期可持续性上也有所改进。Chen[66]进一步推进了这一研究方向,提出了两种基于减少惯性原理的自然指数惯性权重策略。这些方法利用自然指数函数来更有效地调节全局探索与局部利用之间的转换。实验发现,这些指数方案在搜索的早期阶段优于传统的线性减少策略,通过促进更有效的探索空间搜索。通过在转向利用之前进行更广泛和系统的搜索,它们允许群体避免过早收敛,并以更高的可靠性发现有前景的区域。此外,这些策略在多种连续优化问题中始终表现出优越的性能,表明它们能够弥补传统方法的不足,并且能够处理多样化的问题场景。Feng等人[67]引入了混沌随机惯性权重(CRIW),以利用混沌优化的优势。研究表明,CRIW PSO的性能显著高于RIW PSO,其主要特点是在进化过程中系统地在粗略搜索和精细搜索阶段之间切换,保持了探索与利用之间的自然平衡。同样,Malik等人[68]提出了Sigmoid增加惯性权重(SIIW)。他们的发现表明,Sigmoid函数对于达到最小适合度值至关重要,而线性增加惯性权重(LIIW)有助于加快收敛速度。结合这两种方法引入了SIIW,显著提高了收敛速度,并产生了更加积极、有针对性的向解决方案区域的移动。振荡惯性权重[69]策略定期在全局和局部搜索阶段之间切换,动态控制探索与利用之间的平衡。实验结果表明,这种方法通常与其他惯性权重策略具有竞争力,在某些情况下甚至可以超越它们,特别是在收敛速度方面。在另一项研究中,Gao等人[70]提出了一种新的PSO版本,结合了对数减少惯性权重和混沌变异操作符。对数惯性衰减加快了收敛过程,而混沌变异操作符提高了算法逃离局部最优解的能力,增强了其鲁棒性。为了解决标准PSO在搜索后期出现的两个主要问题——过早收敛和振荡行为,Gao等人[71]提出了一个改进的变体,该变体结合了指数减少惯性权重和应用于当前全局最佳粒子的随机分段变异。这种方法提高了算法避免部分解和在局部最小值中停滞的能力,同时提高了搜索过程的总体稳定性。最后,表2总结了文献中报告的不同惯性权重策略及其所需的特定约束条件。
6. 工程应用
众所周知,任何优化算法的主要目的是为现实世界的应用提供解决方案,从而改善我们的世界。本质上,我们周围的一切都可以定义为可以优化以达到最佳可行性能的系统[72][73]。基于这一点,PSO是文献中分析最广泛的优化方法之一,因为它为不同工程领域的各种应用提供了解决方案。此外,PSO的适应性使其能够与其他计算技术结合,以改进上述问题。因此,在本节中,将介绍PSO在大量实际问题中的应用[74]。此外,本节的结构基于工程应用的类型。在这种情况下,考虑了以下类型的问题:图像处理、无线通信、电气和系统、自动控制系统、制造和机械工程、医疗保健以及化学。当然,根据先前建立的指导原则,这项研究仅限于过去十年。图9展示了过去十年中粒子群优化(PSO)算法应用的主要领域分布。如图所示,工程应用占据了研究的最大比例,约占总数的27.4%,凸显了PSO在处理复杂系统中的实际优化问题方面的有效性。同样,计算机科学领域也占有重要地位,占23.7%,反映了PSO在信息处理、人工智能和高级计算系统中的广泛应用。此外,数学(11.9%)和能源(7.7%)等学科也有很好的代表性,强调了PSO在优化模型的理论发展以及关注能源效率和资源管理的应用中的重要性。其他领域,包括物理学和天文学、材料科学和决策科学,尽管所占比例较小,但也进一步证实了PSO的多功能性及其适应多样化科学背景的能力,这些背景具有非线性目标函数和复杂约束。最后,更专门的领域,如环境科学、地球和行星科学以及化学工程,虽然所占比例较低,但由于相关优化问题的专业性质和社会或工业影响,它们仍然非常重要。总体而言,这种分布支持了本调查采用的组织结构,即按工程领域和应用领域分析PSO的应用。这种分类为PSO在现实世界问题中的使用提供了结构化和连贯的概览,有助于识别已建立的研究趋势和新兴的应用领域。
图9. 过去十年(2015–2025年)文献中报告的PSO应用领域分布。**图像处理**
总体而言,图像处理旨在提升图像质量,以实现多种用途,例如幻觉(监测不可见的物体)、锐化(恢复图像的颜色和纹理)、恢复(搜索感兴趣的图像)、模式测量(定义图像中的物体范围)以及图像识别(能够区分图像中的物体)[75]。有许多计算技术能够有效处理图像。然而,元启发式方法在众多方法中表现出显著优势。在这方面,PSO(粒子群优化)算法在过去十年中取得了重大进展,尤其是在图像处理增强方面。如图10所示,该算法已成为一个日益重要的研究领域。2014年相关研究数量显著增加。图11展示了使用PSO进行的图像处理工作的类型,包括期刊文章、会议论文、综述和章节书籍等。此外,还有其他出版物,如书籍、综述等。
**图像处理包括多个子领域,例如:**
- **图像分割**
- **图像增强**
- **图像压缩**
- **图像水印**
近年来,Mousavi等人[76]提出了一种利用PSO进行肝脏糖原图像分割的分析方法,这是一种常见的肝脏疾病。研究结果表明,PSO算法优于其他经典的分割技术。同年,Ansari等人[77]结合支持向量机(SVM)[78]使用PSO处理胰腺癌计算机断层扫描(CT)图像,探讨了PSO在早期检测该疾病方面的有效性。2019年,Chen等人[79]应用量子感知PSO(QPSO)解决逆向出现问题,这是一个新兴的研究方向[80]。实验验证了QPSO的鲁棒性和易适应性。
**医学图像处理方面:**
2023年,Zhang利用PSO进行体育动作识别中的视频图像处理并取得了优异成果,帮助运动员提高技能[81]。大多数图像处理应用都与医疗案例相关,因为疾病具有特定的可视化特征。Kumar在2018年提出了结合PSO和SVM的混合模型,用于脑肿瘤图像分类,获得了良好效果[82]。Li等人[83]在2015年提出了改进的动态PSO(DPSOK),研究了其与K-means算法的效率对比。Chen等人[84]在2019年将K-means算法与PSO结合用于图像分割,实现了降噪和颜色处理。
**压缩与水印技术:**
Di Martino等人[97]提出了一种基于混沌达尔文初始化的PSO方法,应用于经过模糊变换压缩的图像,优于传统方法。Alkinani在2021年提出了一种基于小波和PSO的医学图像压缩方法[98]。Ahmadi在2015年提出了一种自适应阈值方法,有效降低了源熵。Aldjia的研究实现了一种多光谱图像的去相关矩阵,提高了峰值信噪比(PSNR)、压缩比(CR)和每像素比特数(bpp)等指标[102]。
**神经网络辅助:**
Wang等人利用PSO优化BP神经网络的权重和阈值,提高了压缩性能[103]。Li在2024年提出了一种结合PSO和蚁狮优化器(ALO)的混合算法,用于RGB图像压缩[104]。Chavan等人结合PSO和遗传算法(GA)优化了图像水印[108]。
**水印技术:**
Cedillo-Hernandez等人[111]提出了一种基于PSO的图像水印方法,提高了COCO数据集的性能。Garg等人[114]开发了一种适用于彩色图像的水印算法,平衡了鲁棒性和不可见性。Kumar等人[117]在2023年提出了一种混合模型,增强了超声图像水印的鲁棒性。
**其他相关研究:**
Saxena等人[118]首次将PSO用于多目标优化,取得了竞争优势[119]。Bansal在2022年提出了一种多尺度模糊PSO水印方法[120]。Shih提出了可逆且可破坏的水印方法[121]。Kang等人[122]结合PSO和奇异值分解(SVD)实现了通用图像水印[124]。近年来最重要的进展之一是由Thakkar在2022年报告的,他在其中将复杂小波变换(CWF)应用于PSO算法,并与Jaya算法进行了结合[125]。在这种情况下,与PSO相比,Jaya算法显示出显著的效率。然而,将PSO算法与CWF结合用于图像 Watermarking 是近年来的一个新颖创新[126]。基于以上内容,“这种类型的图像处理技术相对较新,因为大多数相关提案都出现在过去5年内”。因此,继续研究这些模型对于推进相关领域的最新进展至关重要。其他一些由于设计创新而可能引起读者兴趣的工作包括以下参考文献[127]、[128]、[129]、[130]、[131]、[132]、[133]。
6.2 无线通信
无线通信是近年来最重要的研究领域之一,因为它对全球当前的通信技术有着重要影响[134]。因此,这类系统的正确优化在过去二十年中越来越受到关注,当然,PSO算法无论是以其原始形式还是通过其多种变体,都是该领域使用最广泛的算法之一,并取得了显著的成果。简单来说,无线通信系统可以分为不同的子领域,包括无线传感器网络(WSNs)[135]、认知无线电网络(CRNs)[136]、智能反射表面(IRSs)系统[137]、边缘计算[138]、自组织网络[139]、信号处理[140]和天线设计[141]。通过查阅上述参考文献可以清楚地看到,无线通信总体上是一个相对较新的研究领域。这一点从图12中也可以得到验证:会议论文在该领域的相关文献中占比最多,而期刊文章则排在第二位。这表明该领域仍需要进一步的正式发展。然而,PSO算法促进了这些领域的进步,具体内容将在下文中详细介绍。
下载:高分辨率图片(169KB)
下载:全尺寸图片
图12. 无线通信相关文献类型
尽管PSO算法已经用于WSN的优化近20年,但在2014年,Kuila等人首次提出了基于PSO的线性/非线性规划(LP/NLP)模型来优化WSN中的能量高效聚类和路由问题[142]。实验结果证明了PSO在WSN中的多功能性和鲁棒性。同年,Elhabyan提出了一种更实用的方案,通过PSO算法改进了自定位硬件的成本计算方法,实验中实际网络取得了良好的鲁棒性结果[143]。一年后,RejinaParvin等人使用PSO算法优化了一种聚类方法,以增强优化后的能量高效路由协议(OEERP)[144]。他们的目标是帮助每个节点隶属于某个簇。实验结果表明,该方案在延长网络寿命方面表现更好。同年,Elhabyan还提出了一种用于WSN聚类和路由的双层PSO协议,并在50个同构和异构WSN模型上进行了验证,结果显示该协议在可扩展性和向基站传输数据包的数量方面优于其他协议[145]。由此可见,优化WSN的寿命是一个重要任务。基于此,Azharuddin等人于2016年利用PSO算法最大化了基于簇的WSN中多跳通信导致的热点问题寿命[146]。研究结果展示了PSO算法相较于其他方法的优越性。类似的研究还有Rao在2017年提出的[147],他使用了新的参数(如簇内距离和传感器节点剩余能量),通过PSO获得了最优结果。Rawat和Loganathan在2021年也分别提出了两项类似的研究[148]、[149]。另一方面,Tam在2018年提出了一个创新性的进展[150],他将PSO算法与模糊聚类方法结合起来,提高了3D WSN的寿命和网络连通性。实验表明,该方案在稳定性和寿命方面优于其他方案。同年,Phoemphon等人使用新的模糊模型与PSO相结合来优化WSN[151]。这项工作更为复杂,因为他们在PSO中应用了极值学习机向量,从而在定位问题上取得了显著效果,超越了许多现有技术。2019年,Tabibi提出了一种基于PSO的移动sink节点的节能路由机制[152],实验中考察了能耗、会合点数量和跳数,结果表明PSO算法优于其他技术。同年,Jawad在智能农业中提出了一种基于PSO的经验路径损耗模型应用于WSN[153]。这项研究旨在确定信号传播性能,实现节点间的无数据包丢失通信。关于sink节点的移动性,Sahoo等人于2020年提出了基于PSO的聚类方法[154]。实验结果表明,PSO提高了系统稳定性、半节点失效率和网络寿命。同年,Zhang等人对基于PSO的WSN覆盖优化进行了详细分析[155],得出了关于PSO在WSN中应用的宝贵结论。此外,同年还有研究将PSO与柯西变异结合用于认知WSN[156],Cao的方法提高了模型吞吐量并保证了感知性能,同时实现了能源效率[157]。相比之下,Yang等人提出了基于改进PSO的WSN新型定位方法[158],他们为PSO添加了自适应惯性权重,从而提高了精度、节点密度和测距准确性。2021年,Wu等人提出了一种基于MOPSO的太阳能WSN路由算法[159],实验结果显示该算法能适应网络能量的变化,同时降低了能耗和延迟。最后,2022年有研究利用基于PSO的混合算法解决了物联网(IoT)中的路由问题[161]。
6.3 物联网(IoT)
过去十年中,优化算法在与物联网(IoT)相关的工程应用中变得越来越重要。这一趋势主要源于IoT系统复杂性的增加,这些系统集成了异构设备、能量约束和实时通信需求。在这种背景下,许多IoT工程问题可以自然地转化为优化任务,例如资源高效分配、通信调度和能源管理。在过去十年中,粒子群优化(PSO)已广泛应用于多个IoT相关工程中,以下按时间顺序进行了总结:
- 2015年左右的研究主要集中在优化无线传感器网络(WSNs),这是IoT基础设施的基本组成部分。研究使用PSO优化簇首节点的选择,以减少能耗并延长网络使用寿命[170],结果表明PSO策略在能源平衡和网络稳定性方面优于传统启发式方法。
- 2016至2017年间,PSO被应用于基于WSN的IoT系统中的路由优化问题,旨在降低通信成本、数据包丢失和延迟,即使在动态网络条件下也能保持性能[171]。
- 2018年,PSO的应用范围扩展到了创新环境和信息物理系统,例如智能家居和智能电网系统中,这些系统需要处理大量传感器数据并满足实时通信要求[172],PSO在处理非线性目标函数和多重约束方面表现出高鲁棒性。
- 2019至2020年间,随着云计算和边缘计算的融合,PSO被广泛应用于IoT系统中的计算卸载决策、资源分配和能源高效任务调度[173],尤其多目标PSO版本同时实现了延迟、能耗和运营成本的优化。
- 2021年,PSO与机器学习技术的结合在IoT工程中变得尤为重要,例如用于深度学习模型、故障诊断和异常检测[174]。
- 2022至2023年,研究转向了大规模智能IoT系统,如智慧城市和智能交通系统,PSO及其多目标扩展被用于优化交通流、传感器部署、能源管理和通信调度[175]。
- 2024至2025年,PSO在下一代IoT架构中得到广泛应用,包括雾计算、6G支持的IoT和数字孪生系统,用于资源管理、网络切片优化和互联物理系统的实时控制[176]。
6.4 电气和能源系统
当前,一些最重要的优化应用涉及电气模型以及燃料和能源系统。这些模型的重要性在于能源消耗量每年都在以惊人的速度增长[181],但这种增长并不与能源生产相匹配,因此全球普遍存在电力过载和周期性停电现象。更为糟糕的是,这种能源需求的增长导致能源生产效率低下、不可持续且对环境有害[182]。因此,改进这些模型对于未来可靠的生活方式至关重要。优化方法由于简单性、低计算成本和稳定性而在该领域取得了显著成果[183]。图13的图表直观显示了基于Scopus数据集的能源优化相关文献数量自2000年以来的指数级增长,这与公众对节能和优化模型日益增长的兴趣相符[184]。
综上所述,PSO算法在过去十年中对电气和能源系统的优化起到了关键作用,对其效果的提升具有重要意义。首先,2015年报道了电压和无功功率控制领域的三项重要进展。Fukuyama等人[185]提出了一种用于电压/无功控制(VVC)问题的并行PSO方法[186],证明PSO是解决这些实际问题的高效方法。Yoshida等人[187]在2018年报告了一种类似的方法,他们将并行PSO与差分进化(DE)相结合来求解同一问题。实验结果表明了这种混合方法的有效性,这也是近年来研究的热点。基于这一主题,Chen提出了一个模糊PSO用于配电网络中的最优无功功率和电压控制。在一个包含33个节点的系统中,证明了这种混合方法能够将电容器组放置在最佳位置,从而确保最佳的电压分布[188]。相比之下,Pandya使用PSO算法优化了四个无功功率调度案例(IEEE 14-BUS、IEEE 30-BUS和IEEE 57-BUS)。最值得注意的是,他们还对新英格兰地区的39节点系统进行了实际测试,结果证明PSO优于其他现代算法[189]。另一方面,Polprasert在2016年提出了一种结合伪梯度方法的PSO来解决上述问题。这项工作的难点在于需要在一个包含118个节点的模型上最小化三个目标函数,这对任何优化技术来说都是一个挑战。尽管如此,所提出的PSO仍然取得了最优结果[190]。多目标分析也是研究人员感兴趣的方向,Mamdouh在2019年的工作也证实了这一点。在那篇文章中,使用了MOPSO来解决与减小有功功率损耗和改善电压分布相关的多目标问题,与传统多目标方法相比,MOPSO展示了更高的鲁棒性和准确性[191]。近年来,多项相关研究证实了PSO在解决这类问题中的有效性,考虑了不同的方面。Shekarappa等人[192]提出了一种有趣的混合Harris Hawk PSO(HHPSO),用于处理受限系统的变无功负载问题。该研究的新颖之处在于使用了电压崩溃接近度指标(VCPI)方法来调整负载[193]。实验结果表明,HHPSO在众多竞争方法中表现最佳。同样,在2023年,Mourtzis研究了不同的PSO变体对VVC问题的影响,分析显示与统计模型结合的PSO通常具有更好的性能[194]。最近的一项相关工作是由Candra等人[195]发表的,他们使用通用PSO优化了最优电容器布置(OCP)问题[196]。结果表明,PSO算法是解决这一问题的有效方法,尤其是在与其他基于种群的方法相比时。
另一个重要的节能优化问题是太阳能电池的参数估计[197]。这类问题旨在优化太阳能电池模型的内部参数,这些参数基于表示电池内部性能的二极管。通过优化这些参数可以提高电池的输出功率并降低其开发成本[198]。在过去十年中,PSO在混合优化这些问题方面发挥了重要作用。2015年,Khanna等人[199]使用经典PSO优化了一个三二极管太阳能电池模型,新之处在于使用了新的内部参数以获得最优结果。一年后,Jordehi引入了一种改进的PSO变体来解决不同的太阳能电池模块问题,这种变体采用了时变加速系数,使PSO在迭代过程中表现出动态性能,取得了显著成果[200]。Mughal在2017年提出了一种有趣的混合方法,将PSO算法与模拟退火(SA)[201]结合,以改善电流-电压(I/V)关系;实验结果证明了该方法的优越性[202]。同年,Lin等人[203]基于PSO提出了一种改进的简化群优化算法(MSSO)来提取三个太阳能电池模型的最优参数,与其他相关方法相比,MSSO在准确性、鲁棒性和计算成本方面表现更佳[203]。2017年,Kumar和Yeh又报道了两项相关研究:第一项使用经典PSO解决太阳能电池问题,并同时优化了电池的加工温度[204];第二项引入了改进的MSSO,并对其进行了优化,提高了算法的利用能力[205]。在这两项研究中,PSO都展示了作为解决相对简单修改的太阳能电池模型的有效方法。2018年,Jordehi等人[206]提出了一种改进的领导粒子群优化(ELPSO)用于不同的太阳能电池模型,由于其新颖的探索阶段,在众多类似方法中表现出出色的性能[206]。最近的一项相关工作是由Singla在2024年发表的,他们将PSO算法与鼠搜索算法(RSA)[211]结合,用于从多目标角度解决太阳能电池问题,实验结果证实了该方法的有效性[212]。
如读者所知,由于电力和能源优化应用的数量众多,几乎不可能总结所有PSO的应用。然而,前两个系统(OCP和SC)是文献中最常提到的。无论如何,探索其他较少受到关注的节能系统也很重要,因为它们与前述案例同样重要。一个有趣的节能主题是在异构环境中的集群计算;其优化对于提高银行和节点的计算性能至关重要[213]。2016年,Gabaldon使用PSO算法优化了这个领域,生成了最小化总能耗的调度决策,证明了PSO相较于其他方法的效率[214]。同年,Tang等人[215]使用改进的PSO(加入Hill函数)为柔性流水线工厂优化了能耗高效的动态调度,这在当前全球商业环境下具有重要意义[216]。5G基站也可以通过考虑信息和通信技术(ICT)的总能耗来进行优化[217]。2017年,Kang提出使用PSO分离数据和控制平面以解决ICT优化问题,所提出的网络架构在能源效率和降低总延迟方面优于文献中的其他方法[218]。2018年,Liao等人[219]使用经典PSO最小化了亮度控制的功耗及其并行实现,虽然这不是一个常见的问题,但在智能家居领域具有重大影响[220]。他们改进了PSO算法,增加了其探索能力。同年,Chou提出了一种PSO用于优化云数据中心的分配,解决了动态节能资源(DPSR)问题[221]。这一问题在软计算领域的影响巨大,因为它有助于降低成本资源。Chou报告称,PSO大幅降低总电费、虚拟机(VM)迁移次数和停机物理机(PM)数量[222]。智能家庭能源管理系统(HEMS)是一个在过去二十年引起研究人员关注的研究领域,因为它对家庭生活有着重要影响[223]。基于此,Parvin等人[224]在2020年将PSO与模糊逻辑结合,优化了一个实际应用中的HEMS,实验结果显示该方法可将高峰期的能耗降低19.72%,同时将功耗和成本降低36.17%至36.54%[224]。另一个值得关注的问题是污水处理系统,其优化对当前环境有重大影响[225]。2022年,Su使用PSO算法优化了一个实际案例,实验结果表明PSO在准确性和稳定性方面优于其他方法[226]。2023年,Du等人[227]提出了一种改进的PSO用于成本效益高的船舶航线优化[228]。他们通过引入二阶振荡过程增强了PSO的探索能力,实验结果显示该方法将能源效率提高了1.17%[228]。Wang等人[229]总结了所有针对这一特定优化问题的PSO应用,这篇论文非常值得推荐[229]。在所有这些案例中,PSO展示了其在各种能源问题中的强大适应性,使其成为优化这些复杂模型的最佳选择之一。显然,节能优化问题和电力系统是当今最重要的任务之一,因为能源及其正确改进对我们的生活具有重要意义。因此,继续研究PSO在各种主题中的性能至关重要,无论是经典设计还是结合混合或改进的形式。
6.5. 自动控制系统
自动控制是许多工业系统发展和改进的支柱。自动控制确保了系统在应对变化时的最优性能,从而将预期性能与实际性能之间的误差降到最低[230]。为了减小这一误差,需要根据系统的需求使用不同的数学模型对某些参数进行调整。Ziegler-Nichols方法是传统的调整方法[231],用于调整最重要的控制模型——比例-积分-微分(PID)模型。然而,随着时间的推移,系统的复杂性不断增加,传统的调整方法在减少误差方面变得效率低下[232]。为了解决这个问题,引入了各种计算方案,例如人工神经网络(ANNs),以提高所需的调优速度和准确性。多年来,从不同角度应用了机器学习(ML)技术、模糊模型以及复杂的统计方法[232]、[233]。关于元启发式算法,它们在自动控制中的使用已经通过两种方式得到确立:优化调优方法和增强ANN的预测方案。在这方面,我们可以确信这些算法在该领域的影响不如在图像处理、能源系统或无线通信等领域那么显著。尽管如此,它们确实为技术进步做出了显著贡献[234]。此外,如图15所示,尽管与其他主题相比已发表的论文数量较少,但其重要性随时间的推移而增加。如图所示,自2014年以来这类论文的数量呈指数级增长。在本节的其余部分,我们将分析已经完成的工作类型。
在这项调查中,最早的相关论文之一是Sambariya在2015年发表的,其中使用PSO算法优化了自动电压调节器的PID控制器。在这种情况下,模糊规则用于设置PID,而PSO则优化了这些规则。实验表明PSO的鲁棒性,并且比类似的方案取得了更好的结果[235]。同年,Kopchak等人[236]使用PSO算法为自动控制系统电路合成了分数控制器。这项研究的意义在于可以改进过渡过程中的分数巴特沃斯形式。使用PSO模型获得了极高的效率,特别是与其他众所周知的优化方法相比。2016年也有类似的应用报告,Aranza等人[237]也使用了PSO用于相同的目的。然而,在这种情况下,进行了不同增益的比较,以确定最佳方案,结果表明根轨迹是最佳选择。该提案展示了优于Ziegler-Nichols模型的性能。同年,Djaneye-Boundjou进行了一个有趣且不同的控制应用,其中使用PSO优化了机器人臂的PID调优方法。在这种情况下,使用了多输入多输出(MIMO)PID模型,实验表明PSO与其他相关技术相比具有可靠性[238]。一年后,即2017年,Jayawardene使用PSO算法调整了自动发电控制(AGC)的参数[239],这非常重要,因为它能够在利用可再生资源的同时保持区域频率和联络线功率流在其名义值。仿真结果表明PSO算法改善了AGC参数,从而大大降低了系统性能的误差[240]。2021年,Anwar等人[241]使用具有混沌初始化的PSO调整了类似[235]应用的PID控制。逻辑图被用作PSO的混沌序列,其性能帮助算法摆脱了局部最优解。获得的结果证明了该提案的有效性,超调、稳定时间和函数值分别提高了14.41%、37.91%和1.73%。Wang在2023年提出了一个更先进的进展,其中使用PSO优化了神经网络的反向传播过程[242]。这种神经网络用于电气故障诊断系统的自动控制。所提出的动态拟合策略表现出对其他类似方法的鲁棒性,同时PSO算法使神经网络的准确率提高了50%以上。最后,可能与这项调查工作最近的相关研究是由Li等人在2024年报告的[243]。Li提出了一种结合了ANN的PSO,以提高四轮驱动电动车辆的稳定性和转向控制。使用PSO获得的转向预测准确率超过92%,整个系统的响应时间仅为18毫秒。这证实了PSO在现代复杂计算控制模型中的潜力。
6.6. 制造与机械工程
两个与优化问题相关的重要领域是制造和机械系统。虽然它们可以分别处理,但在本调查中,由于它们在应用上的相似性,我们决定同时分析它们。也就是说,大多数制造优化问题与通过机械操作改进过程有关,而机械优化问题则倾向于改进影响制造系统的模型[244]、[245]、[246]。在这两种情况下,它们各自的改进对于当前世界都具有高度相关性,因为生产线的优化是工业4.0的支柱之一[247]。此外,这种影响和相关性可以在图16中直观观察到,图中显示相关论文的数量在过去二十年中呈指数级增长。基于此,接下来两个段落总结了与PSO算法最相关的工作。
关于制造系统,过去十年中的第一项相关工作是由Marko等人[248]在2014年发表的,他们使用PSO算法调整了切割速度、进给率和切割深度等参数,以满足切割力、表面光洁度等要求。获得的结果评估了PSO算法与其他元启发式方案相比的鲁棒性,考虑了多种指标。同年,Kashan提出使用离散形式的PSO算法来优化制造单元的配置问题[249]。本质上,该模型试图用最少的元素数量最大化制造单元的效率。Kashan的详尽实验证明了PSO算法在某些约束条件下的可靠性[250]。相比之下,Jamrus在2017年报告了将PSO算法与遗传算法(GA)结合用于灵活的工作车间调度,考虑了半导体制造中的不确定处理时间。这一实际应用对我们当前世界具有重要影响,因为我们需要提高半导体的效率。获得的结果证明了与其他相关方法相比,这种组合的可行性[251]。2018年,Zhang等人[253]使用改进的PSO解决了集成过程规划与调度问题[252]。该模型与其他类似模型的区别在于,它对应于自动引导车辆(AGV)系统[254]。所提出的PSO与其他PSO变体进行了比较,证明了其在准确性和计算可靠性方面的优越性。同年,Bewoor等人[255]引入了一种结合了Nawaz-Enscore-Ham启发式的PSO算法,用于解决铸造厂的生产调度优化问题[256]。详尽的实验考虑了多种情况和多个约束条件以更真实地验证结果。这些结果证实了PSO变体相对于其他元启发式方法的有效性。2018年,Xu等人[257]将PSO与蚁群优化(ACO)算法[258]进行了结合。这种优化器应用于具有功能目标决策的离散制造系统。计算实验表明,该方法在提供更多关于功能目标的决策选项方面优于其他方案。2019年,Jalal等人[259]发表了一项有趣的工作,他们将PSO与GA结合用于优化复合浮子。这是一种需要改进的设计、制造和结构测量的组合,以达到最佳性能。实验表明该方法在准确性和稳定性方面具有效率。同年,Khalid提出了一种新的PSO变体,用于解决与单元制造模型相关的另一个调度问题。这种新的PSO算法实际上是Bewoor一年前提出的版本的改进版。获得的结果证明了该方法在最小化时间和最大化平均机器单元利用率方面的巨大效率[260]。如读者所见,工作车间模型是最常见的相关优化问题,同年(2019年),Liao使用PSO算法解决了同一问题,考虑了基于供应链的模型。实验确定PSO算法是所有优化算法中最有效的[261]。2020年,Wang和Moldovan分别发表了兩项重要的相关工作。Wang改进了PSO算法,以衡量中国设备制造行业的绿色程度。这项测量使用了多种指标,而PSO算法的改进是在其探索阶段实施的[262]。另一方面,Moldovan使用PSO优化了制造过程中深度学习(DL)算法的参数集。上述集合专注于半导体过程中的故障检测[263]。在这两种情况下,PSO算法都应用于实际环境,这代表了制造优化的显著进步。此外,在这两种情况下,PSO算法的使用都证明了其可靠性,因为获得的结果优于预期。关于调度系统,2020年,Jiang提出了一种带有局部搜索策略的PSO变体,用于最小化单机调度问题中的能源消耗。该提案与其他PSO组合方法进行了比较,在节能和稳定性方面取得了最佳结果[264]。2021年,Feng等人[265]提出了另一种完全不同的制造应用,其中将PSO与GA结合,以减少基于挤出的增材制造系统中的材料浪费。使用上述方法优化了这一复杂问题,与文献相比,材料浪费减少了46.71%。在最近几年,特别是2022年,Fang提出了一种自适应切换随机扰动粒子群优化算法(ASRPPSO)[266]。该方案在分析瑞典线弧增材制造试点线收集的实际工业数据时的异常值检测问题中表现出鲁棒性。事实上,这对应于一个实际应用,对技术进步具有重要意义。同年,Zhang和Yang分别提出了两项杰出的工作。Zhang等人[267]使用多目标版本的PSO优化了制造车间设施布局的能源节约。相反,Yang等人[268]使用高斯分布改进了PSO算法,用于微制造阶段的压电执行器优化[269]。在这两种情况下,PSO算法的应用都是可靠的,并在稳定性和准确性方面得到了验证。此外,在这两种情况下,节能概念都至关重要,PSO算法展示了其能力,这些能力吸引了众多研究人员的注意。
另一方面,机械工程问题通常与需要优化某些内部参数以实现更好性能的机器有关,或者在大多数情况下,与需要提高性能的某些工业设计有关。在这两种情况下,相关的研究相对较少,这可能是因为大多数机械问题通常作为优化器的补充实验使用。相比之下,制造模型通常作为算法的主要优化问题,因为它们更复杂[23]。这项研究的首项相关工作是由Chen在2015年提出的[270]。在这种情况下,报告了一种动态拓扑多力粒子群优化(DTMFPSO)算法,用于解决不同的机械工程问题基准测试。此外,DTMFPSO的结果与其他PSO变体进行了比较,结果显示DTMFPSO在准确性和速度方面表现出色。2016年,Guedria等人[271]使用新的加速方法改进了PSO算法,以提高迭代过程中的多样性。该算法与其他类似技术进行了比较,并在六个基准机械工程设计优化问题上进行了测试。这些问题包括焊接梁、压力容器、减速器、弹簧设计、齿轮传动装置以及多盘离合器-制动器。获得的结果展示了PSO算法的鲁棒性以及其在处理这类问题时的可靠性。同年,Hasanoglu报告了一种改进的PSO算法,用于解决受约束的机械设计问题[272]。这种改进之处在于,个体无需评估目标函数,而仅基于社交吸引力进行移动,这一点取决于被违反的单一约束(称为激活约束),该约束在每次迭代中根据约束优先级来确定。同时,移动仅发生在激活约束敏感的搜索空间维度上[273]。实验结果证明了改进型PSO算法在稳定性和准确性方面的有效性。2019年,Zhu等人[274]提出了将PSO算法与遗传算法(GA)结合的方法,用于解决多个受约束的机械设计问题,包括拉伸/压缩弹簧设计问题、对称三杆桁架设计问题、焊接梁设计问题、贝维尔圆盘弹簧设计问题、减速器设计问题、齿轮传动装置设计问题、多盘离合器-制动器设计问题、压力容器设计问题以及滚动元件轴承设计问题。实验验证了这种组合方法的可行性,并证明了其优于其他传统混合方法的性能。同年,还利用PSO算法解决了一个有趣的机械问题,即计算数值控制(CNC)优化问题[275]。该问题涉及优化这类机器的特定内部参数以实现最佳性能。基于此,Yang等人[276]从约束角度使用PSO算法解决了该问题,取得了显著的成绩,提高了CNC机器的稳定性和准确性。在最近几年,特别是2023年,Parouha等人[277]提出了一种更新的PSO算法,其中惯性权重、加速度系数等参数采用了一种新的公式进行更新。这种U-PSO算法被用于解决两个复杂的机械工程问题:压力容器设计(PVD)[278]和拉伸/压缩弹簧设计(T/CSD)[279]。正如读者可以注意到的,这两个问题在大多数上述研究中都有出现。关于相关工作,U-PSO算法在准确性和收敛率方面与其他方案进行了比较评估。
6.7. 运筹学
另一个元启发式计算有影响的领域是运筹学。本质上,该领域利用复杂的数学和统计方法来寻找利用有限资源的最佳方式[280]。该领域的一些主要应用包括优化运输路线、安排生产时间、最小化成本或增加收益等[280],[281]。正如读者所推断的那样,由于运筹学在优化流程中的重要性日益增加,其相关性也在逐年提升。实际上,图17显示了过去十年中发表的与运筹学相关的科学文献数量。可以看出,这一数字呈指数级增长,且趋势表明这种增长将继续。
与PSO算法相关,因为它在过去十年中一直是运筹学研究的重要组成部分。接下来,将介绍一些相关的研究成果。2014年,Zhang等人[282]提出并改进了自适应粒子群优化(IAPSO)算法,用于解决水库运行优化(ROO)问题。IAPSO有效地处理了这一复杂任务,并且性能超过了同类和同时期的方法。同年,Ting和Chou使用PSO算法解决了泊位分配问题。简单来说,这项任务涉及港口内多活动的调度,突显了优化的必要性。Ting采用了结合混合整数规划(MIP)模型的改进型PSO算法。实验表明,PSO算法在解决方案质量和计算时间方面优于其他比较算法[283]。Dahmani和Yebdri在2020年进行了类似但更为全面的研究,他们提出的PSO算法是PSO算法与著名的灰狼优化器(GWO)的混合版本[284]。该研究在不同ROO场景下对这种组合方法进行了有趣的概述,并证明其性能最佳[285]。另一方面,车辆路径问题也是运筹学的重要应用之一。该领域的早期相关工作之一是Yao等人[286]在2015年提出的。在这项工作中,通过调整惯性权重来优化了两条复杂的车辆路径。实验显示了PSO算法在这些模型中的可靠性。此外,运筹学还可以应用于生产、库存和路径规划。在这种背景下,Chan等人[287]开发了一种多目标PSO算法,以实现高效的易腐食品物流运营。所开发的多目标全局局部邻近粒子群优化(MO-GLNPSO)在准确性、稳定性和计算复杂性方面优于其他多目标方法。
6.8. 机器人技术
另一个重要的优化研究领域是机器人技术,由于其在许多的应用而变得越来越重要[288]。需要区分与机器人技术相关的优化模型和那些虽然包含机器人技术但用途不同的模型。例如,在第6.6节中提到的一些制造过程中确实使用了机器人单元;然而,这不能被视为机器人技术的优化应用,因为机器人只是整个优化任务的一部分。真正的机器人技术优化问题专注于机器人的机械结构、传感器和运动方式[289]。基于上述内容,机器人技术优化旨在探索和提高机器人的性能,使其实现更自然的运动、更小的体积、更可靠的能耗或更坚固的结构[290]。Wang等人[291]在2015年提出了最早的相关工作之一,他们使用改进版的PSO算法解决了自由浮动空间机器人的轨迹规划问题。结果表明,PSO算法通过优化七自由度轨迹显示了其鲁棒性。此外,由于应用了正向运动学方程,该方法对奇异性问题不敏感。同年,Mo和Xu研究了用于机器人路径规划的生物地理粒子群优化算法。这项工作的新颖之处在于使用了近似Voronoi边界网络(AVBN)来完成这项任务[292]。实验结果表明,该方法为未来的类似研究提供了有前景的方案[293]。一年后的2016年,Wang等人[294]将遗传算法(GA)与PSO算法结合,通过双全局最优过程解决了焊接机器人路径规划问题。Wang工作的有趣之处在于,他们使用最短无碰撞路径作为优化焊接路径的标准。结果表明,改进版的GAPSO算法优于其他类似方法。同年,de Sa等人[295]提出了一种新的方法,将PSO算法应用于群体机器人中的分布式高效定位问题。他们改进了PSO算法以实现最小-最大性能,并评估了不同的定位情况。结果显示,改进后的PSO算法通过将平均误差降低84%展示了其鲁棒性。2017年,Kumar等人[296]提出了一种新的机器人达尔文粒子群优化(RDPSO)算法,用于搜索与救援操作。这项复杂的工作涉及路径规划、局部导航和救援任务调度。结果展示了PSO算法同时解决多个机器人问题的潜力。Dewang在2018年解决了另一个路径规划优化问题,其中使用了自适应粒子群优化(APSO)来为移动机器人制定鲁棒路径。与原始PSO算法相比,使用APSO的机器人路径规划在路径长度和静态环境下的时间方面取得了更好的性能[297]。同年,Li和Chou提出了另一种路径规划改进方法,他们使用自适应PSO算法提高了方法的准确性和稳定性[298]。2019年,Zhang等人[299]提出了一种基于粒子群优化的移动机器人定位方法。该问题的目标是使移动机器人能够识别自身在空间中的当前位置并确定最佳未来位置。结果表明,PSO算法优于许多元启发式方法[298]。2020年,Zhang等人[300]提出了一种改进的局部化PSO算法,用于解决移动机器人路径规划问题。他们使用了四种复杂的模拟场景,结果表明,改进后的PSO算法在路径长度、运行时间和路径最优性方面优于其他方法[300]。同年,Wei等人[301]解决了一个多目标机器人优化问题,其中使用经典的多目标粒子群优化(MOPSO)解决了合作多机器人任务分配(CMRTA)问题。该方法与不同的多目标方法进行了比较,证实了MOPSO的潜力,并通过多种指标验证了其可靠性[301]。2021年,Rossides等人[302]提出了一种修改版的PSO算法,用于通过机器人模型解决避障问题。这项工作虽然仅是理论性的,但证明了群体方法在这些任务中的可靠性。一年后,Zheng等人[303]提出了一种改进的PSO算法,用于医疗应用的机器人结构优化。他们提出的液压模型结合了硬度、灵活性和轻量化特性,展示了PSO算法在这些应用中的潜力[303]。2022年,Yuan等人[304]提出了另一种路径规划改进方法,他们使用了所谓的高强度训练来增强PSO算法的性能[304]。最近几年,特别是在2023年,Ekrem和Aksoy提出使用PSO算法优化六轴机器人的轨迹规划[305]。尽管轴数较多,但PSO算法仍实现了最优的规划方案。最后,Ganduri和Pathri在2025年提出了一种最新的进展,他们使用PSO算法优化了三种机器人系统的轨迹规划:自主水下航行器(AUV)、无人机(UAV)和无人地面车辆(UGV)[306]。结果表明,PSO算法在这些系统中的优化效果显著。
6.9. 医疗保健
医疗保健可能是科学领域中最重要的主题之一,因为它对我们现实世界有着广泛的影响[307]。因此,几乎所有科学领域都将医疗保健作为其主要研究方向之一。实际上,这一点可以从相关科学期刊的影响因子中看出,这些期刊的影响因子通常高于大多数其他研究领域[307],[308]。医疗保健可以从多个角度进行研究,包括药物改进、疾病早期检测和疾病控制等[309]。过去十年中,优化算法在这一领域的相关性日益增强。特别是,PSO算法在医疗保健应用中的使用越来越受到关注,如图18所示。在该图中,使用了条形图展示了2014年至2024年间粒子群优化(PSO)在医疗健康应用中的使用情况,条形图的数量代表了相关出版物的数量,仅考虑了期刊文章。可以看出,自2020年以来出版物数量显著增加,这主要是由于COVID-19大流行的推动。尽管如此,在进化计算的背景下,医疗健康通常被看作是通过图像处理方法的改进来早期检测疾病或验证疾病[310]。因此,在本小节中,我们不会从那个角度讨论这个话题,因为这已经在第6.1节中详细讨论过了。因此,本小节将讨论与PSO使用相关的各种医疗健康进展,而不考虑任何图像处理方案。
下载:下载高分辨率图片(176KB)
下载:下载全尺寸图片
图18. 过去十年中与医疗健康相关的PSO出版物
最早的相关工作之一是由Mutingi等人在2014年发表的[311]。在这项工作中,PSO通过一种聚类方法进行了改进,以解决家庭医疗人员的调度问题。这个问题涉及在最小的经济和能源成本下将护理任务分配给医疗人员,同时考虑医疗服务需求、劳动法规、组织要求和员工偏好。这种创新方法通过不同的测量方法证明了其可靠性,确保了CPSO的准确性。一年后,即2015年,ElKady修改了PSO,用于解决医疗系统中的容量最大化覆盖位置问题(CMCLP)[312]。这是一个非常相关的话题,因为它通过优化资源分配避免了医疗操作的延误。ElKady的研究证明了PSO相对于许多其他技术的优越性[313]。智慧城市中的医疗健康也是一个最近引起许多研究者关注的话题[314],包括Abdelaziz,他在2018年提出了使用PSO算法来解决这个问题[315]。这个问题被称为医疗服务(HCS),使用了并行粒子群优化(PPSO)算法,并结合了一个新的cloudSim包。这种方法增强了Abdelaziz工作的新颖性,显著提高了准确性和效率。另一方面,2019年Liu等人[316]提出了一种新的PSO方法,以提高传统聚类方法的准确性,应用于研究英国一个急诊科的实时患者出席数据。确切地说,这一实际应用是该工作的最大创新点。所提出的随机发生分布式延迟PSO(RODDPSO)显示出了其优于其他两种聚类方法的优越性。一年后,即2020年,Swathi等人[317]提出了一种基于云的隐私保护电子医疗系统,该系统使用PSO算法来解决医疗应用问题。本质上,这个应用解决了患者位置遥远但需要医疗治疗的情况。在这方面,PSO通过增强云数据提高了患者与医务人员之间的面对面沟通效果。结果揭示了元启发式算法解决这个问题的潜力。相比之下,2022年Sankaran开展了一项有趣的工作。在上述文章中,PSO被用于优化生物医学传感器网络中的通信,以应用于医疗领域[318]。具体来说,PSO改进了一种基于聚类的路由协议,适用于不同的医疗领域。结果表明该协议相对于文献中的其他方法具有更高的效率。同年,Chaganti提出了将PSO与深度神经网络(PSO-DNN)结合的方法,以改进医疗物联网(IOMT)中的入侵检测[319]。所提出的方法与其他混合方法进行了比较,结果表明PSO-DNN在检测网络入侵方面的准确性提高了96%[320]。
2022年,Hassan等人[321]通过将PSO与Salp Swarm算法(SSA)结合,在PSOSSA方法中重新解决了HCS问题[322]。所提出的方法在文献中与其他优化器进行了测试,结果显示PSOSSA在完成时间、等待时间和资源利用方面表现优异。2023年提出了许多相关的工作,其中第一项是由Houssein等人[323]进行的一项有趣的工作,他们将联邦学习(FL)[324]方法与PSO结合,用于医疗物联网设备。该方法在CIFAR-10和CIFAR-100数据集上进行了测试,并与CNN进行了比较。实验证明了该提案的有效性,准确性提高了8.14%,在预测心脏病的存在方面准确率为91.18%。同年,Irshad提出了一种多目标PSO与蜜蜂觅食学习(BFL)结合的混合算法,应用于云计算技术[325]。BFL-MPSO方案用于增强云计算系统中医疗数据的安全性。本质上,这一复杂应用涉及从获取的数据中恢复密钥以保护安全系统。可以推断,其在现实世界中的意义重大,所提出的算法在准确性、稳定性和可靠性方面优于其他方法[326]。
2023年,Dhatterwal等人[327]使用PSO改进了一个基于医疗诊断的多智能体系统。在这种情况下,智能体能够高效处理多种医疗问题。得益于PSO,智能体能够尽可能高效地提供治疗。同年,He等人[328]发表了一项非常重要的分析。他进行了必要的研究,以减轻谣言压制对社会的影响,旨在抑制谣言(负面意见)的传播并最大化反谣言(正面意见)的传播。在这方面,PSO被用来优化一种基于全面学习的方法。实验表明,他的方法在医疗系统中的谣言压制场景下,对于正面意见的传播效果优于现有算法。最后,同年Kang等人[329]提出了一种结合PSO和动态聚类方法的方法,用于高维医疗数据。具体来说,这种方法是混合特征选择方法,特别相关,因为可穿戴传感器在临床应用中的普及和商品化,尤其是在它们被纳入个性化预测系统时。实验应用于真实的公共数据集,证明了混合方法的有效性,优于其他特征选择技术。
近年来,2024年Zarrouk利用PSO改进了家庭健康(HHC)应用,特别是解决了人力资源规划在不确定性下的问题[330]。在这种情况下,Zarrouk提出了一种两级PSO(2LPSO),用于改善HHC问题的工作量均衡和不确定性管理,同时避免了加班。计算实验表明PSO优于其他方案[331]。同年Candia等人[332]分析了PSO在可见光通信(VLC)系统中的定位应用[333]。这项重要研究显著提高了1米高度的定位精度,将误差从11.7厘米减少到0.5厘米,这对救生设备具有实质性改进。
6.10. 化学
在过去二十年里,优化算法在化学问题中的应用变得越来越流行。这可以归因于计算科学对化学和生物模型的影响日益增加,以及这些计算方法的不断改进和可靠性[334]。因此,大多数化学优化问题都集中在寻找某些过程的最优参数、提高化学配方的准确性等方面[335]。尽管相关工作的数量不如本调查中先前考虑的其他应用那么多[26],但PSO一直是这些研究中的支柱算法。因此,与化学问题相关的最相关PSO应用按照与前一小节相同的时间顺序进行了总结。
2019年,Jana等人[336]进行了一项有趣的工作。在这项工作中,PSO被改进并用于优化碳簇的稳定结构生成[337]。这是一个非常相关的话题,因为这些簇(n = 3–6, 10)可以用于净水和其他化合物的纯化。相比之下,PSO通过Gaussian软件进行了改进,后者用于PSO每次迭代步骤中的单点能量计算。该算法在纯化和粒子稳定性方面取得了最佳结果。一年后,2020年Zhang提出使用PSO提高ChemCam LIBS子模型的准确性。本质上,激光诱导击穿光谱(LIBS)[338]是对行星表面化学成分的定性分析,对医学、物理和机械应用有巨大影响。在这项工作中,PSO被用于LIBS方法的自动参数选择。实验表明PSO在计算成本和准确性方面的可靠性[339]。同年,Kumar等人[340]进行了另一项相关研究。在这项工作中,PSO用于计算爆炸产物的最小吉布斯自由能[341]。这一主题对土木工程和采矿领域都有巨大影响。在Kumar的工作中,PSO与蒙特卡罗方法[342]进行了比较,结果表明PSO由于其可靠性、适应性和低计算成本而具有优越性。另一方面,2021年Mitra提出了将CNN与PSO结合的方法,以最小化分子的能量,这是量子化学中的一个重要研究问题[343]。混合方法用于通过训练包含金属和非金属原子的簇单元的几何结构来学习和预测系统的能量。进行的实验证明了ML优化器在收敛速度和准确性方面的效率[344]。2022年,Fang等人[345]提出了将PSO与不同的ML方法结合的方法,以优化智能化学过程操作。ML方案包括K最近邻、决策树和ANN。同时,在工业丙烷脱氢过程上测试了这些算法的性能,以验证方案的可可靠性[346]。结果表明PSO在提高准确性、速度和稳定性方面有效。MOPSO也被用于化学应用,例如Hong在2023年的工作[347]。在这项工作中,提出了一个结合MOPSO(CMOPSO)的聚类方法,用于优化氢生产过程,这是与净水相关的一个重要话题[348]。然而,这些工厂的过程通常是能源密集型的;因此,整体效率通常是主要考虑的因素。CMOPSO在解决这个问题时表现出可靠性,特别是在准确性、收敛速度和种群多样性方面。同年Rueda等人[349]开发了一项有趣的工作。具体来说,Rueda提出了一种用于大规模重元素计算系统的新型基础设施,该系统基于水和可靠的相对论密度泛函理论(DFT)计算[350]。DFT的误差通过PSO算法得到了改善,与其他元启发式方法相比,在准确性和可扩展性方面取得了优异的结果。
最近的一项相关进展是Yi在2024年发表的[351]。在这项工作中,Yi使用多目标版本的PSO算法改进了一个名为ChemMORT的自由可用平台上的深度学习方法。该平台用于优化药物的吸收、分布、代谢、消除和毒性(ADMET)[352]。这一复杂的化学应用证明了所提出优化器的鲁棒性,提高了ADMET的效率而不损失生物活性。然而,要提及一些其他有趣的化学应用,可以参考以下三年间使用PSO算法的工作[353]、[354]、[355]、[356]、[357]。
7. 粒子群优化用于特征选择问题
在本节中,主要目标是集中讨论PSO算法在解决特征选择问题中的应用。本研究将首先介绍特征选择的问题,随后讨论该领域所实施的多种方法。随着诸如机器学习等新技术的出现,这些技术旨在处理大量数据和复杂任务,因此从海量数据中筛选出最相关信息变得至关重要。大量的数据通常源于需要分析的特征数量众多,这使得分类过程变得更加复杂。这种现象被称为“维度灾难”,对高维空间中的数据有效管理构成了重大挑战[358]。实际上,随着数据集中特征数量的增加,分析所需的时间也会显著增加。这个问题尤为突出,因为学习过程中的许多特征可能是无关或冗余的。因此,识别最相关的特征可以促进更高效的分类过程。为了应对这些特征数量过多或维度过高的问题,特征选择被提出作为一种减少和消除被认为是无关特征的方法[358][359][360]。特征选择是数据预处理中的关键技术,在机器学习和数据挖掘等多个研究领域都起着重要作用[361][362]。其目标是通过剔除冗余、无关和不必要的特征来减少特征的数量。这种方法在数据处理领域具有多种优势,包括便于数据可视化、提高理解速度以及减少计算时间和数据存储需求。在特征选择的背景下,这种技术可以划分为多个类别。其中最突出和经常被提及的有嵌入式方法、过滤方法和包装方法。第一类过滤方法不使用学习算法进行特征分类,而是利用统计度量或几何属性来筛选特征。包装方法则结合了学习和搜索算法来评估特征子集,并确定能够提高性能和准确性的特征。嵌入式方法也包含分类算法,但特征的选择发生在分类器的训练过程中。
在大多数情况下,彻底搜索最佳解决方案是不切实际的,甚至是不可能的。幸运的是,自这个问题首次提出以来,已经研究了许多不同的搜索方法和技术来解决特征选择问题。例如贪婪搜索、随机搜索和启发式搜索。然而,这些方法的表现往往较差,容易停滞在局部最优解,并且计算成本较高。相反,元启发式技术的研究在解决这类问题上引起了广泛兴趣。用于解决特征选择问题的最广泛使用的算法之一是PSO算法。在过去二十年里,PSO算法因其处理大量信息的能力而受到认可,非常适合应用于特征选择领域[363]。许多研究探讨了PSO算法的各种版本及其变体在特征选择问题上的应用,展示了该领域的发展潜力[364]。然而,这项研究的创新性不足且未能随着时间的推移进行更新,是一个显著的限制。因此,本节分析的重点是介绍最近和相关的关于PSO算法在特征选择问题实现的研究。接下来的讨论将探讨所提出方法的潜在优点和缺点。
7.1 PSO算法在特征选择中的实现
如前所述,PSO算法已经受到了广泛研究,采用了多种方法,包括变体、混合和修改等。特征选择也不例外。许多研究关注基于元启发式算法的特征选择[365]。还有其他研究专注于元启发式算法[367][368]。各种方法和方法被系统地分类,考虑了搜索技术、评估标准和目标数量。显然,一些研究(如[369]所展示的)在特定分类器方面具有高度专业化。一个显著的例子是将支持向量机(SVM)算法与元启发式方法结合用于特征选择。同时,近期的大量文献(包括2018年Cai, Jie等人的研究[370])考察了特征选择中常用的各种评估指标。这些研究采用了监督学习、无监督学习和半监督学习等方法来分析这些指标。在基于群体智能的特征选择方法方面,有一些有趣的研究[371][372],分析了不同群体智能算法在特征选择中的应用。最新的显著例子包括Agrawal, Prachi等人的论文[373],该论文分析了UCI数据库中10年期间的数据集。另一篇重要的论文是[374],它分析了进化特征选择算法的最新进展和研究。然而,需要注意的是,以前的研究并没有专门针对PSO算法。此外,大多数论文的提交时间范围并没有明确界定。本小节的目标是涵盖过去十年中最杰出和相关的关于PSO算法在特征选择问题中应用的研究。
在解决“维度灾难”的背景下,特征提取被认为是一个关键过程。PSO算法已成为许多问题的热门解决方案,包括优化相关挑战。例如[375]的研究提出了一种PSO与Bald Eagle Search(BES)的混合方法,称为PS-BES。该算法展示了PSO在指导BES搜索方面的效率,确保了利用和探索过程之间的平滑过渡。此外,还引入了攻击-撤退-投降(Attack-Retreat Surrender)技术,以帮助算法避开局部最优解。
8. 多目标PSO变体
在多目标优化的背景下,粒子群变体通过加入三个关键组成部分来增强传统动态:建立非支配解集、从这个集合中选择领导者以及在不损失多样性的同时促进向帕累托前沿的收敛。鉴于这些考虑,与特征选择和约束搜索过程相关的几个方向脱颖而出。Banka和Dara的HDBPSO[376]虽然不是多目标方法,但在高维设置中对二进制搜索有重要影响。它用基于汉明距离的规则取代了常用的速度更新规则,以稳定位翻转。它还将一个紧凑的子集大小项与来自粗糙集区分表的判别能力项结合起来。这为后来的MOPSO特征选择器提供了一个构建块,可用于编码和移动操作符。Yong等人在[377]的工作中提出了一个真正的多目标方向,他们将不可靠的数据分类视为一个双目标问题——最小化分类错误同时最小化属性数量,并为MOPSO配备了强化记忆和混合变异机制,以避免过早收敛。Cheng等人在他们的论文“LOPMOPSO:结合MOPSO与BOBYQA局部搜索和外部惩罚的混合方法”[378]中提出了一种更混合的、以强化为导向的路径。他们的方法根据拥挤距离从稀疏的存档区域中选择领导者。这些领导者随后由局部“最优粒子”机制引导,从而加速向前沿的收敛,同时保持多样性。在约束占主导地位的情况下,Wen Long及其同事[379]提出了一种结合了自适应约束处理技术的PSO方法。该技术允许并行执行PSO更新和混合变异,然后逐步评估可行性。尽管ACT方法是单目标的,但可以通过在外部存档上叠加优先考虑可行性的逻辑或自适应惩罚将其集成到MOPSO中。Noel的GPSO[380]是一种将基于梯度的局部搜索集成到群体动态中的方法。这种集成使得在接近最小值时能够快速精确地精细化。虽然不是多目标的,但这种梯度“抛光”模块在需要精确恢复拐点的MOPSO设计中非常普遍。最后,Li, Xue和Zhang的MPBPSO(基于多粒子的多目标群体优化)[381]回归到二进制多目标特征选择设置,使用明确的帕累托存档和基于概率的解决方案更新,通过翻转向量来确保稀疏性,并结合了一种突变操作符来添加、删除或交换特征,以及一种结合帕累托支配性和距离测量的pbest更新。该算法旨在优化按类别计的召回率的几何平均值,同时考虑子集大小。它使用轮盘选择方法来选择领导者,从而确保在复杂制造数据中生成分布均匀的高质量子集。总体而言,这些工作为MOPSO设计提供了一种实用的方法,包括使用外部存档进行密度控制以采样领导者,注入记忆或梯度/局部搜索强化以加速收敛,并在必要时实施自适应约束处理。对于二进制领域来说,结合基于概率的移动或汉明信息的移动与考虑稀疏性的目标对于保持小子集同时不牺牲性能至关重要(见表3)。
表3. 代表性的MOPSO变体
作者 年份 描述 参考文献
Chen, J.; Liu, Y.; Luo, Y.; Ouyang, A.; Yang, J.; Bai, W. 2025 TAMOPSO:跨子群的任务分配,结合存档引导的变异和自适应Lévy扰动,以平衡探索和利用;在22个基准测试中表现强劲。
Luo, Y.; Chen, Z.; Wang, H.; Zhang, J. 2025 ASDMOPSO:对存档进行角度分割,并采用动态更新策略以选择密度感知的领导者并实现均匀的PF覆盖。
Shao, J.; Zhang, X.; Li, Y.; Wang, Q. 2025 MOIPSO:将快速非支配排序集成到PSO核心中,同时保持收敛动态;针对真实的工程多目标问题。
Zhang, Y.; Wang, C.; Liu, H. 2025 MOPSO与集成的Fireworks操作符和双倍存档方案,以防止过早收敛并提高多样性。
Bak?r, H.; Duman, S.; Yüksel, A. 2024 DSC-MOPSO:动态切换的拥挤度调整,用于存档维护;在多目标OPF问题中提高了成功率和运行时间。
Nkalo, U. K.; Inya, O. O.; Ifeanyi, O. P.; Bola, A. U.; Ewean, D. I. 2024 M-MOPSO:修改后的领导者和变异机制,用于优化太阳能-风能-电池组合的LCOE和可靠性(LPSP)。
Li, Y.; Hu, W.; Wang, H.; Zhang, W. 2023 MOPSO/vPF:虚拟帕累托前沿和虚拟代际距离指标,用于gBest/pBest的选择;提升IGD/HV性能。
Li, A.-D.; Xue, B.; Zhang, M. 2023 MPBPSO:针对关键质量特征的二元MOPSO;使用翻转向量更新、添加/删除/交换变异、支配+距离pBest。
Zhang, X.; Chen, W.-N.; Lin, Q. 2022 MCMOPSO-RL:结合强化学习的多模式协作,以切换行为并提高收敛性和多样性。
Wang, S.; Li, Y.; Zhang, X. 2022 IDMOPSO:使用理想距离度量与自适应网格;在ZDT/DTLZ问题上实现竞争性的PF覆盖。
Han, F.; Wang, Y.; Zhang, Q. 2021 MOPSO-ASFS:用于特征选择的自适应策略;平衡子集大小和准确性,并通过存档引导。
Tang, W.; Zhang, Z.; Guo, H. 2021 MOPSO用于伪卫星部署;结合二元目标定位优化覆盖率和HDOP;实际传感器案例。
Liu, J.; Wang, C.; Li, S. 2020 IMOPSO:粒子间的竞争策略,以增强选择压力;在标准套件上获得更好的帕累托集。
Zhang, L.; Chen, Y.; Wu, J. 2020 角度引导的MOPSO:角度存档更新加上基于密度的速度调整;加速收敛同时保持多样性。
Sun, Y.; Gao, Y. 2019 高斯变异MOPSO:注入高斯变异并改进学习,以平滑存档均匀性和收敛性。
Liu, J.; Zhang, Y.; Gong, D. 2018 用于不规则区域设施布局的修改版MOPSO;具有改进的领导者和约束处理的实用包装器。
在最新的研究系列中,研究人员发现了三个反复出现的主题:存档设计、领导者选择和多样性注入。这些主题与增强的指导和问题结构相结合。在任务分配多目标优化(MOPSO)方案的背景下,群体被概念化为一组协作子过程。这些方案采用存档引导的变异来指导探索,同时保持对前沿的全局压力。这种方法在以下参考文献中有所概述:[382]。Angular分割和动态归档更新明确地塑造了非支配集合的几何形状,使得领导者来自均匀分布的扇区,从而在复杂的帕累托前沿产生更平滑的覆盖范围[383]。在“改进”的基准模型中,这种模式保持一致:维护规范的速度-位置核心至关重要,同时通过实施快速的非支配排序和密度提示来现代化选择压力,对于加速接近拐点的过程至关重要,并且可以防止过早聚类。正如张等人(2025年)的开创性工作所展示的,采用烟花式引爆或尺寸感知归档的混合系统通过定期扰动邻域并配合归档增长-收缩周期进一步增强了多样性。动态切换拥挤策略也体现了类似的哲学,在运行时交替使用局部密度规则,确保归档不会固化。这种策略在电力系统的多目标最优功率流测试中已被证明是有效的(Bakir, 2024)。应用驱动的变体也执行类似的动作序列,尽管带有领域特定的约束。这些约束体现在修改后的领导者规则和混合可再生能源规模的变异计划中。这些混合可再生能源规模方法旨在平衡成本和可靠性,同时遵循工程可行性[384]。
9. 讨论
在过去十年中,PSO算法经历了大量的改进,包括各种修改、混合和增强,旨在提高其在不同优化场景下的性能。本综述揭示了一个明确的趋势,即通过创新的算法策略来解决规范PSO的核心局限性——例如过早收敛、多样性丧失以及在高维或动态环境中的低效率。在本节中,我们批判性地分析和综合了所调查的各种变体中最具影响力的贡献,探讨了它们的设计选择、性能结果和适用性之间的联系。此外,我们还研究了这些发展对元启发式优化更广泛演变的影响,并确定了PSO未来研究的有希望的方向。为了保持连贯性和便于比较,以下讨论按照前几节中使用的相同时间顺序和主题顺序进行组织。本节的目标是提供一份简洁且综合的分析,使读者能够更快地识别关键趋势,评估每个变体的有效性,并更好地理解它们在未来的研究或实际场景中的潜在适用性。
这项调查工作中最重要的方面之一是工程应用部分,它约占了文章内容的40%,并且引用了70%的参考文献。具体来说,有247篇参考文献用于这一部分,这些参考文献分为七个主要组:图像处理、无线通信、电气和能源系统、自动控制系统、制造和机械工程、医疗保健以及化学。在优化算法的应用方面,工程应用的数量显著更多,涵盖了网络安全、生物建模和土木工程等领域。然而,由于这项调查仅考虑了过去10年的文献,发现上述七个领域几乎占了PSO应用的90%。相比之下,其他领域的应用不足以单独成为一个子部分。此外,在网络安全等应用中,PSO的真正新颖性值得质疑。这并不是因为该算法效率低下,而是因为这些领域通常采用更复杂的方法,如机器学习技术。因此,将PSO算法或其他元启发式方法应用于这些领域的情况相当有限。基于以上情况,可以认为上述七个工程领域不仅对PSO非常重要,对进化计算总体来说也具有重要的意义。
关于图像处理,PSO主要被用于调整医疗应用中的内部参数。在该领域的应用中,由于其低计算成本和简单的设计,PSO已成为最可靠的算法之一。另一方面,在无线通信领域,PSO算法主要用于增强同步信号。文献表明,将PSO应用于这一领域是合理的,并且预计其使用将在未来保持稳定。另一个重要的领域是能源系统以及电气模型。在这项工作中,这两个应用被归为一个子部分,因为它们之间的关系以及过去十年中相关出版物的数量。具体来说,能源系统在数量和实际影响方面都在不断增长。基于此,PSO已被应用于这些领域,以优化电气设备的内部特性,从而增加电力供应或提高能源消耗。文献显示,与现代方法相比,PSO算法在这些方面仍然是一个非常有竞争力的方法。相比之下,自动控制系统领域则处于下降趋势。这可能是因为经典控制已不再是一个研究领域,取而代之的是模糊控制或神经控制,其中机器学习方案往往是主要使用的模型。尽管如此,PSO在该领域仍然表现出了稳健性,并且约占据相关出版物的50%。正如读者所注意到的,这项工作同时涉及制造和机械系统。这是因为大多数提出的机械应用对应于经典的基准问题,而剩余的机械模型则基于制造系统。因此,这是一个不断发展的领域,在这个领域中,元启发式算法(如PSO)仍然非常受欢迎,因为它们具有很高的可靠性。本质上,这些问题集中在运筹学上,而运筹学又对应于非多项式问题,在这些问题上PSO被证明比大多数现代方法更有优势。另一方面,医疗保健和化学应用是不断发展的领域,它们的影响不可否认。然而,在这些领域中,进化计算的应用正在减少,机器学习方案已经逐渐取代了它。不过,PSO通过改进医疗设备和复杂化学过程的内部参数展示了其稳健性。
根据Scopus数据库(科学领域中最知名的数据库之一)的数据,2015年至2024年间发表了大约2421篇与粒子群优化(PSO)算法变体相关的文章。在这项调查中,每年从“通用PSO变体”部分选择两个代表性的变体,选择标准是每个变体的引用次数。对这些变体的分析表明,影响PSO性能的最大因素是粒子速度更新以及探索与利用之间的关系。通过不同的策略修改这些因素会显著影响算法的性能。PSO变体通过设计新的策略来调整搜索过程中每个粒子的速度,从而专注于提高算法的收敛性。文献中提到的另一个关键因素是探索与利用的比例,许多变体旨在通过保持良好的探索与利用平衡来改进性能。在文献中,惯性策略和群体拓扑是PSO算法中最有影响力的机制之一,两者都是决定算法收敛行为的关键因素。特别是,惯性是一个控制粒子先前速度对其当前运动影响的参数。PSO变体通常提出动态或自适应的惯性来平衡探索(寻找解决方案空间的新区域)和利用(细化有前景的区域)。对引用最多的变体的分析揭示了一个反复出现的趋势:惯性的动态调整,可以是线性减少、非线性的或基于反馈的。这种调整通过有效调节搜索过程中的探索与利用比例,系统地提高了收敛速度和解决方案的质量。
拓扑是影响PSO性能的另一个关键因素,它决定了粒子如何共享信息。虽然规范PSO采用全局拓扑,其中最好的粒子影响整个群体中的每个粒子,但许多成功的变体采用局部或混合拓扑来保持多样性并避免过早收敛。局部拓扑,如环状或冯·诺伊曼拓扑,将社交互动限制在定义的邻域内,有利于探索并提高多模态问题中的性能。另一方面,混合拓扑结合了局部和全局互动,旨在利用两种策略的优势。总体而言,文献表明,将设计良好的惯性策略与合适的通信拓扑相结合可以显著提高PSO的稳健性和适应性。这些修改使算法能够在复杂的搜索空间中更有效地探索,同时保持群体多样性并加速收敛到最优解。将PSO集成到特征选择过程中已成为当代研究的一个关键方向,特别是在应对维度灾难带来的挑战时。随着数据集在规模和复杂性方面的增加,冗余和不相关特征的存在会对分类器的效率和模型的可解释性产生不利影响。传统方法,包括贪婪搜索和启发式搜索,在实现可扩展性方面被证明是无效的,经常导致过早收敛和巨大的计算开销。在这种情况下,PSO的群体智能提供了探索与利用之间的理想平衡,能够发现保留判别能力的紧凑特征子集,同时提高分类准确性。最近的研究展示了广泛的创新,从二进制PSO编码到将PSO与其他进化算法或机器学习分类器结合的混合模型。例如,将PSO与降维技术(如PCA)结合的混合方案,或在基于包装器的方法中结合支持向量机的方案,在基准数据集上展示了显著的预测准确性和稳健性改进。此外,具有增强位置更新机制、动态参数适应和局部搜索整合的变体在克服停滞和提高收敛可靠性方面特别有效。然而,挑战仍然存在。PSO基特征选择方法在极高维度或流式数据场景中的可扩展性仍然是一个未解决的问题。此外,性能对参数设置的敏感性引发了关于通用性的担忧,特别是在噪声较大或不平衡的数据集中,过拟合现象较为常见。另一个限制是与基于包装器的方法相关的计算负担。尽管这些方法很准确,但它们可能不适用于实时或资源受限的环境。有前景的研究方向包括自适应和自配置的参数控制、与最先进的进化方法的更深层次混合,以及整合领域知识来指导搜索过程。总的来说,这些方向可能会巩固PSO作为大数据和复杂学习任务时代特征选择的基石方法。
PSO演进为多目标框架,反映了解决涉及多个经常冲突目标的优化问题的日益增长的需求。与单目标方法相比,多目标PSO(MOPSO)包含了维护一组非支配解的机制、从归档中选择领导者以及保持群体内多样性的机制。这些特性使算法能够高效地逼近帕累托前沿,使其特别适合需要平衡多个目标而非将其简化为单一聚合指标的实际应用。在过去的十年中,这一领域取得了显著进展。例如,在工程和化学过程优化领域,MOPSO展示了其在同时提高效率、稳定性和能源消耗方面的能力。在药物发现和生物信息学领域,MOPSO已成功用于在生物活性与药代动力学和毒性特性之间取得平衡,从而在高度敏感的应用中确保更可靠的结果。此外,诸如增强记忆策略、混合变异操作符和问题特定编码等创新增强了算法保持在帕累托前沿的收敛能力,同时确保解决方案的足够多样性。这些贡献突显了MOPSO在异构领域中的适应性,涵盖了从大规模工业过程到机器学习驱动的应用。然而,仍然存在一些局限性。维护和更新庞大的Pareto档案所带来的计算复杂性可能会影响可扩展性,尤其是在目标众多的场景中。此外,领导者选择的稳定性和解决方案多样性的保持对于参数设置和问题特征非常敏感。另一个重大挑战是将MOPSO与当前的机器学习框架集成,后者越来越需要能够适应具有流式或不确定数据的动态环境的算法。为了解决这些问题,未来的研究可能会集中在自适应领导者选择策略、结合MOPSO与其他元启发式算法或深度学习模型的混合框架,以及提高可扩展性的并行实现上。这些方向表明了MOPSO的作用正在演变,它不仅是一种解决多目标问题的工具,而且是复杂数据驱动系统中优化的核心范式。
自PsO算法诞生以来,它已成为所有群体智能算法中最著名的基于自然界启发的算法之一。这要归功于其算法框架的简洁性、易于实现以及快速参数配置。同时,它还表现出强大的优化性能、高效率以及适应动态环境和现实世界优化问题的能力。尽管PsO算法在众多应用领域成功解决了各种问题,但它也暴露出一些局限性,包括收敛速度快、容易陷入局部最优解以及多样性较低。这些问题促使研究人员对PsO算法进行了修改,从而开发出了多种改进版本。这些修改包括参数控制的改进、与其他算法的混合使用、多样化的群体配置技术、惯性权重的调整以及与模糊系统的集成等。这些方法也被应用于图像处理、无线通信、物联网和自动控制系统等多个工程领域。对近期变体的系统回顾和对比显示,没有一种方法能在所有类型的问题中都表现出色。相反,效果取决于问题的特征以及算法设计中固有的权衡。诸如混合化、自适应策略和协作学习等创新对于提高收敛性、保持多样性和增强可扩展性至关重要。这一综合分析突显了PsO算法的灵活性和相关性,强调了根据特定应用领域量身定制策略的重要性。本文所收集的见解旨在指导 suitable PsO 变体的选择以及新的、考虑上下文的优化方法的发展。本研究中的全面分析聚焦于过去十年的发展。其目的是识别并强调过去十年中最具有创新性的研究。当然,这并不否认该领域其他重要研究的存在。鉴于这些考虑,本研究旨在为社区提供关于PsO算法的全面理解,基于该领域的最新趋势。从PsO算法的起源到今年最新的发展,它一直是工程应用、特征选择和多目标优化中的基础关键。相反,这项研究也有望成为持续改进和发现新应用的催化剂。实际上,未来的研究可能会关注那些可能颠覆某些范式并解决现有不足的工作。未来研究的视角将包括那些可能打破现有范式并解决某些缺陷的新方法。本研究进一步指出,这种方法可能对未来关于PsO算法的研究论文或调查有所帮助,特别是从涵盖大量有趣提案的时期来看。相比之下,发表论文数量的迅速增长、提出的变体多样性以及其在工程领域(如特征选择和多目标优化)中的广泛应用,为该领域的未来方向提供了见解。对PsO算法的研究表明,逐渐出现了适应性强、可扩展的方案,这些方案专为高维度和复杂问题设计,其中保持多样性、动态参数控制以及新型机器学习技术的实现将是关键要素。此外,将PsO算法与新兴的人工智能、多标准优化和智能系统技术相结合,将使PsO算法成为应对未来计算挑战的战略性解决方案。这一研究领域在未来几年展现出显著的发展潜力。