引用本文

王闯, 韩非, 申雨轩, 李学贵, 董宏丽. 基于事件触发的全信息粒子群优化器及其应用. 自动化学报, 2023, 49(4): 891−903 doi: 10.16383/j.aas.c200621

Wang Chuang, Han Fei, Shen Yu-Xuan, Li Xue-Gui, Dong Hong-Li. Full-information particle swarm optimizer based on event-triggering strategy and its applications. Acta Automatica Sinica, 2023, 49(4): 891−903 doi: 10.16383/j.aas.c200621

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200621

关键词

粒子群优化器，事件触发策略，全信息策略，去噪算法，变分模态分解 

摘要

针对标准粒子群优化算法存在早熟收敛和容易陷入局部最优的问题, 本文提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization, EFPSO). 首先, 引入一类基于粒子空间特性的事件触发策略实现粒子群优化算法(Particle swarm optimization, PSO) 的模态切换, 更好地维持了算法搜索和收敛能力之间的动态平衡. 然后, 鉴于引入历史信息能够降低算法陷入局部最优的可能性, 提出一种全信息策略来克服PSO算法搜索能力不足的缺陷. 数值仿真实验表明, EFPSO算法在种群多样性、收敛率、成功率方面优于其他改进的PSO算法. 最后, 应用EFPSO算法对变分模态分解(Variational mode decomposition, VMD)去噪算法进行改进, 并在现场管道信号去噪取得了很好的效果.

文章导读

近年来, 优化问题得到了学术界的广泛关注, 学者们先后提出了一系列进化算法及其变体(遗传算法、蚁群算法、粒子群优化算法等). 其中, 粒子群优化算法(Particle swarm optimization, PSO)具有参数简单、容易执行等优点, 现在已经成为解决优化问题的有力工具[1]. PSO算法已经广泛应用于许多实际问题, 如参数优化、神经网络训练、聚类分析、组合优化等. 然而, PSO算法与其他群智能算法一样存在着早熟收敛和容易陷入局部最优的问题. 为了解决这一问题, 许多专家学者先后提出了多种改进的PSO算法, 大致可以分为以下4类: 1)参数控制; 2)引入新的策略; 3)改变种群拓扑结构; 4)融合其他算法.

惯性权重($ \omega $)是影响PSO算法搜索性能的一个重要参数[2], 如何控制惯性权重成为改进PSO算法的一个重要方向. Shi等[3]首次研究了惯性权重对搜索性能的影响, 指出较大的惯性权重有利于进行全局搜索, 而较小的惯性权重有利于局部搜索. 因此, Shi 等[3]提出了一个线性递减策略的改进PSO算法. 随后出现了各种惯性权重变体(分段函数、非线性函数等)和时变的加速因子[4-5]. 可以

引入新的策略来提升PSO算法的寻优能力, 例如: 变异策略[6]、混沌策略[7]等. 也可以从拓扑结构的角度对PSO算法进行改进, 例如: 静态拓扑结构[8]、动态拓扑结构[9-11]等. 最近, 采用优势互补的思想, 融合其他算法成为了改进PSO算法的研究热点, 例如: 遗传−粒子群优化算法[12]、模拟退火−粒子群优化算法[13] 等.

引入一定历史信息(即粒子前$ k-1 $时刻的位置信息$\{ {\boldsymbol{x}}_i(1),{\boldsymbol{x}}_i(2),\cdots,{\boldsymbol{x}}_i(k-1) \}$)既有助于粒子对整个空间进行彻底搜索, 又避免了粒子搜索的盲目性, 因此增加了粒子跳出局部最优解的可能性. 文献[14-16]通过引入时滞来提升PSO算法的性能. 然而, 这可能会面临以下两个不足: 1)时滞引入的是某个特定时刻的历史信息, 如果这个信息选择的不恰当, 可能会导致粒子陷入局部最优; 2)时滞的发生时刻是随机的, 这可能会导致粒子陷入局部最优[16]. 为解决上述问题, 本文引入了全信息策略和事件触发策略. 全信息策略采用过去时刻所有信息的平均值, 这样可以更好地指导粒子收敛于全局最优解, 解决了问题1); 事件触发策略根据粒子的种群空间特性(即种群多样性)来动态调整历史信息的发生与否, 解决了问题2).

本文针对PSO算法容易陷入局部最优和早熟收敛的问题, 提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization, EFPSO). 本文的主要贡献总结如下: 1)事件触发策略的引入保证了PSO 算法在种群多样性和收敛性之间的动态平衡, 即, 根据粒子的空间特性选择事件触发函数, 有效地保证了在搜索阶段, 粒子高度分散能够彻底探索整个空间, 同时在收敛阶段, 所有粒子朝着最优粒子移动, 最终收敛到全局最优位置; 2)在粒子速度更新模型中, 考虑了过去所有信息对当前位置的影响, 增加了两个全信息项, 使得粒子在寻优过程中参考了更多的历史信息, 从而增加了粒子跳出局部最优的机会; 3)通过对比一些经典PSO算法, 从种群多样性、收敛率、成功率等多个角度验证了EFPSO算法的优越性; 4)考虑到油田管道泄漏检测系统收集到的数据中存在大量噪声容易导致漏报、误报等进而造成油田事故, 本文提出了一种基于EFPSO优化的变分模态分解 (Variational mode decomposition, VMD)[17]去噪算法, 成功解决了管道数据去噪问题, 进一步验证了本文提出算法的有效性和实用性.

图 1  PSO算法寻优过程

图 2  EFPSO算法流程图

图 3  Sphere函数收敛特性

本文提出了一种新的粒子群优化算法 (EFPSO), 事件触发策略和全信息策略的使用有效地避免了早熟收敛和粒子陷入局部最优的问题. 事件触发策略的引入充分利用了粒子的空间特性, 保证了粒子的搜索和收敛性能之间的动态平衡; 全信息策略的考虑有效地利用了粒子的过去信息, 扩大了搜索空间, 这有助于粒子跳出局部最优. 仿真实验表明, 从种群多样性、成功率和收敛率等方面对比发现EFPSO算法优于其他经典算法. 最后, 提出了一种基于EFPSO优化的VMD去噪算法, 成功应用于现场管道信号去噪中, 实验结果验证了提出算法的实用性和有效性. 未来的研究方向可从以下几个方面展开: 1)本文选取的是静态事件触发机制, 未来可以考虑应用动态事件触发策略, 进一步增强算法的性能; 2)如何将提出的算法应用在管道泄漏检测和管道寿命预测以及故障诊断等方向中.

作者简介

王闯

东北石油大学博士研究生. 主要研究方向为深度学习与管道完整性分析. E-mail: wangchuang64@126.com

韩非

东北石油大学人工智能能源研究院教授. 2017年获得上海理工大学系统分析与集成专业博士学位. 主要研究方向为分布式滤波与控制, 深度学习和强化学习. E-mail: tomcumt@126.com

申雨轩

东北石油大学人工智能能源研究院副教授. 2020年获得东华大学控制科学与工程专业博士学位. 主要研究方向为网络化系统的滤波与控制. E-mail: shenyuxuan5973@163.com

李学贵

东北石油大学计算机与信息技术学院副教授. 2017年获得东北石油大学地质资源与地质工程专业博士学位. 主要研究方向为深度学习与大数据分析, 微地震监测技术. E-mail: lixg82@163.com

董宏丽

东北石油大学人工智能能源研究院教授. 2012年获得哈尔滨工业大学控制科学与工程专业博士学位. 主要研究方向为网络化控制系统, 智能控制, 传感器网络信息处理. 本文通信作者. E-mail: shiningdhl@gmail.com