计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
8期
2265-2268
,共4页
粒子群算法%学习因子%惯性权重%统一性%基准函数
粒子群算法%學習因子%慣性權重%統一性%基準函數
입자군산법%학습인자%관성권중%통일성%기준함수
Particle Swarm Optimization(PSO)%learning factor%inertia weigh%unity%benchmark function
粒子群算法(PSO)中惯性权重和学习因子的独自调整策略削弱了算法进化过程的统一性和粒子群的智能特性,很难适应复杂的非线性优化,为此提出一种利用惯性权重来控制学习因子的PSO算法.该算法将学习因子视作惯性权重的线性、非线性以及三角函数,在惯性权重随时间线性或非线性递减的过程中,学习因子发生相应的递减或递增变化,进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力,更好地引导粒子进行优化搜索.同时为了分析惯性权重和学习因子的融合性能,采用线性和非线性权重法进行比较,测试函数的优化结果表明了采用非线性递减权重的优越性.最后通过对多个基准测试函数的优化分析,并与带有异步线性变化和三角函数学习因子调整方法的PSO进行比较发现,该策略利用惯性权重调整学习因子,能达到平衡粒子个体学习能力和向群体学习能力的作用,提高了算法的优化精度.
粒子群算法(PSO)中慣性權重和學習因子的獨自調整策略削弱瞭算法進化過程的統一性和粒子群的智能特性,很難適應複雜的非線性優化,為此提齣一種利用慣性權重來控製學習因子的PSO算法.該算法將學習因子視作慣性權重的線性、非線性以及三角函數,在慣性權重隨時間線性或非線性遞減的過程中,學習因子髮生相應的遞減或遞增變化,進而通過增彊兩者之間的相互作用來平衡算法的全跼探索和跼部開髮能力,更好地引導粒子進行優化搜索.同時為瞭分析慣性權重和學習因子的融閤性能,採用線性和非線性權重法進行比較,測試函數的優化結果錶明瞭採用非線性遞減權重的優越性.最後通過對多箇基準測試函數的優化分析,併與帶有異步線性變化和三角函數學習因子調整方法的PSO進行比較髮現,該策略利用慣性權重調整學習因子,能達到平衡粒子箇體學習能力和嚮群體學習能力的作用,提高瞭算法的優化精度.
입자군산법(PSO)중관성권중화학습인자적독자조정책략삭약료산법진화과정적통일성화입자군적지능특성,흔난괄응복잡적비선성우화,위차제출일충이용관성권중래공제학습인자적PSO산법.해산법장학습인자시작관성권중적선성、비선성이급삼각함수,재관성권중수시간선성혹비선성체감적과정중,학습인자발생상응적체감혹체증변화,진이통과증강량자지간적상호작용래평형산법적전국탐색화국부개발능력,경호지인도입자진행우화수색.동시위료분석관성권중화학습인자적융합성능,채용선성화비선성권중법진행비교,측시함수적우화결과표명료채용비선성체감권중적우월성.최후통과대다개기준측시함수적우화분석,병여대유이보선성변화화삼각함수학습인자조정방법적PSO진행비교발현,해책략이용관성권중조정학습인자,능체도평형입자개체학습능력화향군체학습능력적작용,제고료산법적우화정도.
