為克服粒子群在解決多峰函數(shù)復雜問題時存在收斂速度慢和極易陷入局部最優(yōu)值的缺點,提出了一種基于高斯學習多峰延遲粒子群混合算法。首先引入改進的高斯學習提高算法的收斂速度,然后在此基礎上,針對4種進化狀態(tài)在算法中引入延遲因子避免局部最優(yōu)問題。通過對6個單峰多峰測試函數(shù)進行仿真實驗,驗證了GLPSO（Gaussian Learning PSO）算法具有更好的收斂速度,同時驗證了GLMDPSO（Gaussian Learning Multimodal Delayed PSO）算法在處理多峰函數(shù)復雜問題時具備更好的全局搜尋能力。因此,改進算法在解決多峰函數(shù)尋優(yōu)問題時可有效跳出停滯狀態(tài),提高收斂速度并具有較好的尋優(yōu)能力。 

【文章來源】：吉林大學學報(信息科學版). 2019,37(04)

【文章頁數(shù)】：9 頁

【文章目錄】：
0 引言
1 粒子群優(yōu)化算法
    1.1 粒子群算法原理
    1.2 粒子群的研究現(xiàn)狀
2 高斯學習策略
3 基于高斯學習多峰延遲粒子群優(yōu)化算法
    3.1 粒子群的進化狀態(tài)估計
    3.2 多峰延遲粒子群策略
    3.3 改進算法步驟及流程圖
4 仿真實驗
    4.1 基準函數(shù)的配置
    4.2 算法仿真
    4.3 仿真分析
5 結(jié)語


【參考文獻】：
期刊論文
[1]基于區(qū)域粒子群優(yōu)化和部分高斯重采樣的SLAM方法[J]. 王田橙,蔡云飛,唐振民.  計算機工程. 2017(11)
[2]基于高斯擾動和自然選擇的改進粒子群優(yōu)化算法[J]. 艾兵,董明剛.  計算機應用. 2016(03)
[3]動態(tài)高斯變異和隨機變異融合的自適應細菌覓食優(yōu)化算法[J]. 張新明,尹欣欣,馮夢清.  計算機科學. 2015(06)
[4]基于高斯函數(shù)遞減慣性權(quán)重的粒子群優(yōu)化算法[J]. 張迅,王平,邢建春,楊啟亮.  計算機應用研究. 2012(10)
[5]一類簡約的粒子群算法[J]. 朱培逸,鐘強,徐保國.  小型微型計算機系統(tǒng). 2012(04)
[6]改進的變參數(shù)粒子群優(yōu)化算法[J]. 趙成業(yè),閆正兵,劉興高.  浙江大學學報(工學版). 2011(12)
[7]一種基于種群速度的自適應粒子群算法[J]. 張頂學,廖銳全.  控制與決策. 2009(08)

碩士論文
[1]面向單模和多模函數(shù)優(yōu)化的多子群粒子群算法研究[D]. 王芳芳.南京農(nóng)業(yè)大學 2014
[2]粒子群優(yōu)化算法的幾種改進算法及應用[D]. 魯姝穎.中國礦業(yè)大學 2014



本文編號：3014196