基于熵模型的粒子群优化算法

发布时间：2022-02-20 05:22

　　为了改善粒子群算法在解决高维优化问题时易早熟收敛且存在大量无效迭代的问题,提出了一种基于熵模型的粒子群优化（EPSO）算法.通过引入信息熵模型,精确分析了粒子群搜索过程中的聚集特性,将粒子群搜索过程划分为3个阶段进行优化.第1阶段引入粒子迭代熵差,优化调整惯性权重;第2阶段根据粒子群熵值变化,适时重置惯性权重;第3阶段采用截断策略,减少粒子群的无效迭代.实验结果表明,在Sphere、Rosenbrock、Ackley、Griewank、Rastrigin五个标准测试函数中,EPSO算法的求解精度和收敛速度都优于传统粒子群算法、经典粒子群算法、自适应惯性权重粒子群算法以及新的自适应惯性权重粒子群算法,并且减少了算法的大量无效迭代,从而验证了EPSO算法的有效性. 

【文章来源】：东南大学学报(自然科学版). 2019,49(06)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

Ackley函数的粒子熵值图

的求解精度．同时，EPSO算法在标准测试函数的均方误差最小，表明在粒子群迭代寻优过程中，其全局最优值集中在均值附近．3．2收敛速度粒子群算法的另一衡量标准为收敛速度．5个测试函数的实验仿真结果见图2．由图可知，对于Ackley测试函数，EPSO算法的收敛速度和求解精度最优;对于其他4种测试函数，EPSO算法的收敛速度与对比算法相同，但求解精度最优．(a)Sphere函数(b)Ｒosenbrock函数(c)Ackley函数(d)Griewank函数(e)Ｒastrigin函数图25种算法针对5个适应度函数的测试结果3．3迭代寻优次数在EPSO算法中，为减少粒子群搜索过程的无效迭代寻优次数，在粒子群熵值接近最终熵值时，采用截断策略．粒子群得到全局最优值时，截断第6期孙骞，等:基于熵模型的粒子群优化算法1901

【参考文献】：
期刊论文
[1]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)
[2]多策略自适应粒子群优化算法[J]. 汤可宗,丰建文,李芳,杨静宇.  南京理工大学学报. 2017(03)
[3]基于网格排序的多目标粒子群优化算法[J]. 李笠,王万良,徐新黎,李伟琨.  计算机研究与发展. 2017(05)
[4]基于平衡搜索策略的多目标粒子群优化算法[J]. 耿焕同,陈正鹏,陈哲,周利发.  模式识别与人工智能. 2017(03)
[5]任务调度算法中新的自适应惯性权重计算方法[J]. 李学俊,徐佳,朱二周,张以文.  计算机研究与发展. 2016(09)
[6]带交叉算子的量子粒子群优化算法[J]. 陈汉武,朱建锋,阮越,刘志昊,赵生妹.  东南大学学报(自然科学版). 2016(01)
[7]具备反向学习和局部学习能力的粒子群算法[J]. 夏学文,刘经南,高柯夫,李元香,曾辉.  计算机学报. 2015(07)
[8]基于熵模型的动态粒子群优化算法[J]. 李宏光,廉莹,方梦琪.  北京工业大学学报. 2015(05)



本文编号：3634401