协同智能的蝙蝠差分混合算法

发布时间：2022-01-04 13:04

　　为解决差分进化算法后期收敛易陷入局部最优和早熟收敛的问题,提出一种群体智能优化算法,即协同智能的蝙蝠差分混合算法。利用蝙蝠个体脉冲回声定位的特点,与差分种群相互协作,在当前最优解gbest附近进行一次详细搜索,有效增加种群的多样性,跳出局部最优。通过蝙蝠种群和差分种群两个种群的相互协作,较好平衡全局搜索和局部开发之间的能力。为验证算法有效性,选用9个常用的基准测试函数和5个0-1背包问题,与标准粒子群算法、带高斯扰动的粒子群算法、蝙蝠算法、差分算法、烟花算法相对比,仿真实验表明,所提算法总体性能优于其它5种算法。 

【文章来源】：计算机工程与设计. 2020,41(02)北大核心

【文章页数】：9 页

【部分图文】：

f4寻优进化曲线

f7寻优进化曲线

在测试函数f1、f3、f4、f8的优化过程中，分析图1、图3、图4、图8：在寻优前期，在相同迭代次数情况下，BADE算法的收敛速度和收敛精度均优于其它5种算法。分析表2对应的平均解avg:BADE找到了最优值，且不亚于其它5种算法。图2 f2寻优进化曲线

【参考文献】：
期刊论文
[1]具有自适应步长与协同寻优的蝙蝠烟花混合算法[J]. 莫海淼,赵志刚,曾敏,石静,温泰.  小型微型计算机系统. 2019(07)
[2]带高斯扰动和协同寻优的蝙蝠粒子群混合算法[J]. 赵志刚,莫海淼,温泰,刘峰.  广西大学学报(自然科学版). 2018(06)
[3]基于差分进化人工蜂群算法的云计算资源调度[J]. 李志敏,张伟.  计算机工程与设计. 2018(11)
[4]应用反向学习和差分进化的群搜索优化算法[J]. 邹华福,谢承旺,周杨萍,王立平.  计算机科学. 2018(S1)
[5]基于差分演化的自适应集成学习算法在不均衡数据分类中的应用[J]. 郭海湘,顾明赟,李诒靖,黄媛玥,王文杰.  系统工程理论与实践. 2018(05)
[6]求解0-1背包问题的改进离散和声搜索算法[J]. 欧阳海滨,夏红刚,王清,马鸽.  广州大学学报(自然科学版). 2018(01)
[7]灰狼优化与差分进化的混合算法及函数优化[J]. 张新明,涂强,康强,程金凤.  计算机科学. 2017(09)
[8]基于和声差分进化的UKF改进算法[J]. 贺军义,李男男.  控制与决策. 2018(04)
[9]一种求解多模态复杂问题的混合和声差分算法[J]. 黎延海,拓守恒.  智能系统学报. 2018(02)
[10]基于混合差分粒子群算法的MapReduce任务调度算法研究[J]. 徐俊,汤庸,刘道余.  小型微型计算机系统. 2016(07)



本文编号：3568391