[论文解读] A Modification of Particle Swarm Optimization using Random Walk

Rajesh Misra, Kumar S. Ray|arXiv (Cornell University)|Nov 16, 2017

Metaheuristic Optimization Algorithms Research参考文献 11被引用 3

一句话总结

本文提出了一种新型粒子群优化（PSO）变体，用受约束的有偏随机游走机制取代传统的基于速度的更新方式。通过引入一个概率参数K，并消除对全局最优（gBest）、局部最优（lBest）位置以及惯性权重的依赖，该方法在基准函数上的收敛速度和性能均优于经典PSO和QPSO。

ABSTRACT

Particle swarm optimization comes under lot of changes after James Kennedy and Russell Eberhart first proposes the idea in 1995. The changes has been done mainly on Inertia parameters in velocity updating equation so that the convergence rate will be higher. We are proposing a novel approach where particles movement will not be depend on its velocity rather it will be decided by constrained biased random walk of particles. In random walk every particles movement based on two significant parameters, one is random process like toss of a coin and other is how much displacement a particle should have. In our approach we exploit this idea by performing a biased random operation and based on the outcome of that random operation, PSO particles choose the direction of the path and move non-uniformly into the solution space. This constrained, non-uniform movement helps the random walking particle to converge quicker then classical PSO. In our constrained biased random walking approach, we no longer needed velocity term (Vi), rather we introduce a new parameter (K) which is a probabilistic function. No global best particle (PGbest), local best particle (PLbest), Constriction parameter (W) are required rather we use a new term called Ptarg which is loosely influenced by PGbest.We test our algorithm on five different benchmark functions, and also compare its performance with classical PSO and Quantum Particle Swarm Optimization (QPSO).This new approach have been shown significantly better than basic PSO and sometime outperform QPSO in terms of convergence, search space, number of iterations.

研究动机与目标

• 为解决经典PSO中收敛速度慢和早熟收敛的问题，通过重新定义粒子运动动力学。
• 消除PSO中对速度项、全局最优（gBest）、局部最优（lBest）以及惯性权重参数的依赖。
• 通过基于有偏随机游走的新型概率运动机制，提升搜索效率和解质量。
• 在标准基准函数上，将所提方法与经典PSO和量子PSO（QPSO）进行对比验证。

提出的方法

• 粒子通过受约束的有偏随机游走移动，而非基于速度的更新，其行为由概率参数K控制。
• 移动的方向和幅度由有偏随机过程决定，模拟了对解空间的非均匀探索。
• 引入一个新的目标位置项Ptarg，其受粒子适应度的松散影响，替代gBest和lBest。
• 该方法摒弃了速度更新方程和惯性权重（W），从而消除了对这些参数调优的需求。
• 随机游走受到约束，以确保有方向的探索，平衡全局与局部搜索行为。
• 算法使用概率函数K控制移动偏差，实现在无需追踪速度情况下的自适应探索。

实验结果

研究问题

• RQ1 基于随机游走机制的PSO变体是否能在收敛速度和解质量方面优于经典PSO？
• RQ2 消除速度和惯性参数是否能提升优化性能和稳定性？
• RQ3 与QPSO相比，该方法在收敛速率和搜索空间覆盖方面表现如何？
• RQ4 受约束的有偏随机游走能否在全局优化中有效平衡探索与开发？
• RQ5 用概率目标项Ptarg替代gBest和lBest对算法性能有何影响？

主要发现

• 在所有五个测试的基准函数上，所提方法的收敛速度显著快于经典PSO。
• 在多个基准函数上，该算法在收敛速度和解精度方面优于QPSO。
• 通过消除速度和惯性权重参数，简化了算法结构，同时保持或提升了性能。
• 受约束的有偏随机游走实现了对解空间更有效的探索，减少了停滞现象。
• 该方法在无需手动调优PSO关键参数（如W或gBest）的情况下表现出稳健性能。
• 定量结果表明，与经典PSO和QPSO相比，达到最优或近似最优解所需的迭代次数更少。