计算机科学
計算機科學
계산궤과학
Computer Science
2015年
10期
226-231
,共6页
粒子群优化%一般性反向学习%自适应柯西变异%自适应惯性权值
粒子群優化%一般性反嚮學習%自適應柯西變異%自適應慣性權值
입자군우화%일반성반향학습%자괄응가서변이%자괄응관성권치
Particle swarm optimization%Generalized opposition-based learning%Adaptive Cauchy mutation%Adaptive inertia weight
针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法.该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM).采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力.为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒予进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解.为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值.将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高.
針對傳統粒子群優化算法易齣現早熟的問題,提齣瞭一種自適應變異的反嚮學習粒子群優化算法.該算法在一般性反嚮學習方法的基礎上,提齣瞭自適應柯西變異策略(ACM).採用一般性反嚮學習策略生成反嚮解,可擴大搜索空間,增彊算法的全跼勘探能力.為避免粒子陷入跼部最優解而導緻搜索停滯現象的髮生,採用ACM策略對噹前最優粒予進行擾動,自適應地穫取變異點,在有效提高算法跼部開採能力的同時,使算法能更加平穩快速地收斂到全跼最優解.為進一步平衡算法的全跼搜索與跼部探測能力,採用非線性的自適應慣性權值.將算法在14箇測試函數上與多種基于反嚮學習策略的PSO算法進行對比,實驗結果錶明提齣的算法在解的精度以及收斂速度上得到瞭大幅度的提高.
침대전통입자군우화산법역출현조숙적문제,제출료일충자괄응변이적반향학습입자군우화산법.해산법재일반성반향학습방법적기출상,제출료자괄응가서변이책략(ACM).채용일반성반향학습책략생성반향해,가확대수색공간,증강산법적전국감탐능력.위피면입자함입국부최우해이도치수색정체현상적발생,채용ACM책략대당전최우립여진행우동,자괄응지획취변이점,재유효제고산법국부개채능력적동시,사산법능경가평은쾌속지수렴도전국최우해.위진일보평형산법적전국수색여국부탐측능력,채용비선성적자괄응관성권치.장산법재14개측시함수상여다충기우반향학습책략적PSO산법진행대비,실험결과표명제출적산법재해적정도이급수렴속도상득도료대폭도적제고.
