針對粒子群算法容易陷入局部最優(yōu)、收斂精度低、后期收斂速度緩慢的問題,將牛頓-最速下降算子、動態(tài)慣性權重、影響度決策引入到粒子群的更新中,提出了融合牛頓-最速下降算子的自適應粒子群算法（NSWPSO）.將改進后的算法、標準粒子群算法、自適應慣性權重粒子群算法、線性遞減慣性權重粒子群算法同時應用于不同維度的12個測試函數(shù),對搜索結果進行對比分析,T-test差異分析、10維測試函數(shù)達到期望值時的尋優(yōu)率和平均迭代次數(shù)分析,可得改進后的算法能夠穩(wěn)定快速準確地搜索到全局最優(yōu)解. 

【文章來源】：微電子學與計算機. 2020,37(02)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

函數(shù)進階圖

表4 T-test結果 算法 維數(shù) f1 f2 f3 f4 f5 f6 f7 f8 f9 f10 f11 f12 優(yōu)出數(shù) SPSO 2 1 1 0 0 0 1 1 1 1 1 0 1 6 10 0 0 1 1 0 1 1 0 1 1 0 1 7 AIWPSO 2 1 1 1 1 1 1 1 1 1 1 1 1 12 10 1 1 1 1 1 1 1 1 1 1 1 1 12 LDIWPSO 2 1 1 1 0 1 0 1 0 0 1 1 0 6 10 1 1 1 1 1 1 1 1 1 1 0 1 11從表4可以看出:NSWPSO算法在超過一半的測試函數(shù)上優(yōu)于其余三種算法.特別是在10維測試函數(shù)上,NSWPSO算法幾乎完全優(yōu)于AIWPSO算法和LDIWPSO算法,且表中10維優(yōu)出數(shù)大于等于2維優(yōu)出數(shù).這說明無論是在低維還是高維測試函數(shù)上,NSWPSO算法都很優(yōu)秀,并且隨著維數(shù)的增加,NSWPSO算法更顯優(yōu)異.

表5 10維時算法的尋優(yōu)率與平均迭代次數(shù) 算法 SPSO AIWPSO LDIWPSO NSWPSO 類別 OR (%) ANOI OR(%) ANOI OR(%) ANOI OR(%) ANOI f1 100 0.91 6 0 13 0 97 0.645 f2 90 0 5.5 0 70 0.025 100 0.52 f3 80 0 12 0 80 0.115 100 0.965 f4 100 0.92 6 0 53 0.22 100 0.86 f5 96.67 0 3.5 0 80 0.12 100 0.96 f6 100 0.975 34 0.4 67 0.095 100 0.76 f7 100 0.865 0 0 10 0 67 0.245 f8 93.33 0 0 0 83 0.295 100 0.935 f9 60 0.775 0 0 37 0 100 0.97 f10 3.33 0 26 0.31 50 0.43 97 0.605 f11 100 0.89 0 0 0 0 100 0.265 f12 0 0 7 0 90 0.95 100 0.95從表5可知:NSWPSO算法達到期望值的尋優(yōu)率是最高的.12個測試函數(shù)中,除去函f1、f7、f10,NSWPSO算法的期望值都達到了100%.這說明NSWPSO算法的可靠程度很好,值得信賴.NSWPSO算法在平均迭代次數(shù)方面表現(xiàn)仍然優(yōu)異.雖然PSO算法在函數(shù)f1、f4、f6、f7、f11上優(yōu)于NSWPSO算法,但是在其余函數(shù)上NSWPSO算法表現(xiàn)良好.而且NSWPSO算法在所有測試函數(shù)上有優(yōu)于LDIWPSO算法和AIWPSO算法.綜上可知:NSWPSO算法能更快更可靠地達到期望值.

【參考文獻】：
期刊論文
[1]具有自適應行為的粒子群算法研究[J]. 丁知平,劉超,牛培峰.  統(tǒng)計與決策. 2019(02)
[2]自適應簡化粒子群優(yōu)化算法及其應用[J]. 張鑫,鄒德旋,肖鵬,喻秋.  計算機工程與應用. 2019(08)
[3]粒子群算法結合最速下降法的混合算法[J]. 于海艷,杜曉燕,衛(wèi)佩佩.  信息工程大學學報. 2018(01)
[4]基于動態(tài)加速因子的粒子群優(yōu)化算法研究[J]. 滕志軍,呂金玲,郭力文,王志新,許恒,袁麗紅.  微電子學與計算機. 2017(12)
[5]用粒子群算法反求割離井公式中的水文地質(zhì)參數(shù)[J]. 張全興,常安定.  西北農(nóng)林科技大學學報(自然科學版). 2009(02)
[6]求解多峰函數(shù)的改進粒子群算法的研究[J]. 江寶釧,胡俊溟.  寧波大學學報(理工版). 2008(02)



本文編號：3012880