独立自适应调整参数的粒子群优化算法

发布时间：2022-02-12 17:19

　　针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。 

【文章来源】：计算机科学与探索. 2020,14(04)北大核心CSCD

【文章页数】：12 页

【部分图文】：

后期种群分布

初始种群分布

为进一步说明IAP-PSO算法在寻优速度上的优势，使算法在相同的实验环境下独立运行20次，粒子数均为40，记录算法达到指定收敛精度时的运行时间。如果迭代到200 000次后仍达不到要求的精度，则用“—”表示，如表6所示。图4 函数f1的收敛曲线（D=50)

【参考文献】：
期刊论文
[1]改进的粒子群算法优化的特征选择方法[J]. 李炜,巢秀琴.  计算机科学与探索. 2019(06)
[2]基于S型函数的自适应粒子群优化算法[J]. 黄洋,鲁海燕,许凯波,胡士娟.  计算机科学. 2019(01)
[3]自适应简化粒子群优化算法及其应用[J]. 张鑫,邹德旋,肖鹏,喻秋.  计算机工程与应用. 2019(08)
[4]改进的二阶振荡粒子群算法[J]. 蒋丽,叶润舟,梁昌勇,陆文星.  计算机工程与应用. 2019(09)
[5]一种动态调整惯性权重的粒子群优化算法[J]. 董红斌,李冬锦,张小平.  计算机科学. 2018(02)



本文编号：3622123