在傳統(tǒng)粒子群優(yōu)化算法（PSO）中,每個(gè)粒子利用個(gè)體最優(yōu)經(jīng)驗(yàn)和群體最優(yōu)經(jīng)驗(yàn)更新自己的速度和位置。這種學(xué)習(xí)策略簡單、容易實(shí)現(xiàn),但是容易出現(xiàn)“震蕩”和“前進(jìn)兩步,后退一步”的現(xiàn)象。因此設(shè)計(jì)有效的學(xué)習(xí)策略避免上述現(xiàn)象的發(fā)生,進(jìn)而提高搜索效率是PSO研究中亟待解決的問題。為了保護(hù)粒子潛在的優(yōu)良信息,本文提出了一種維度學(xué)習(xí)策略（DLS）。該學(xué)習(xí)策略利用每個(gè)粒子的個(gè)體最優(yōu)經(jīng)驗(yàn)發(fā)現(xiàn)和整合群體最優(yōu)經(jīng)驗(yàn)的潛在優(yōu)良維度信息。維度學(xué)習(xí)策略通過粒子的個(gè)體最優(yōu)位置的每一維分別向群體最優(yōu)位置的對(duì)應(yīng)維度學(xué)習(xí)來為每個(gè)粒子構(gòu)造學(xué)習(xí)范例。維度學(xué)習(xí)僅在能夠提高范例適應(yīng)度的前提下才被正式融入學(xué)習(xí)范例,因此,維度學(xué)習(xí)策略能夠避免學(xué)習(xí)范例退化的現(xiàn)象,也避免了“前進(jìn)兩步,后退一步”的現(xiàn)象。在維度學(xué)習(xí)策略中,由于每個(gè)粒子都向gbest學(xué)習(xí),雖然具有較強(qiáng)的開發(fā)能力,但有可能導(dǎo)致所有粒子都快速向gbest靠攏,使得算法發(fā)生早熟收斂現(xiàn)象。為此我們引入了多樣性增強(qiáng)機(jī)制——綜合學(xué)習(xí)策略。綜合學(xué)習(xí)策略中粒子的每個(gè)維度都按照一定隨機(jī)選擇機(jī)制向不同粒子的最優(yōu)經(jīng)驗(yàn)學(xué)習(xí),該策略增強(qiáng)了群體的多樣性,有助于粒子跳出局部極值。最后,在維度學(xué)習(xí)策略和綜合學(xué)習(xí)策略... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

維度學(xué)習(xí)過程

第 4 章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析解，即函數(shù) F1，F(xiàn)3，F(xiàn)7，F(xiàn)8，F(xiàn)10，F(xiàn)13，F(xiàn)15 和 F16。差分算法 L-SHADE 找到了 9 個(gè)基準(zhǔn)函數(shù)的全局最優(yōu)解，即函數(shù) F1，F(xiàn)4，F(xiàn)5，F(xiàn)7，F(xiàn)8 和 F10~F13。在最終平均排名中，TSLPSO 在 8 個(gè)算法中排名第一，L-SHADE 排名第二，其次是 GL-PSO，CLPSO，DLPSO，HCLPSO，OLPSO 和 PSO。作為參考算法，所提出的 DLPSO 取得 5 個(gè)基準(zhǔn)函數(shù)的最優(yōu)解并排名第五。因此，表 4.3 的數(shù)值實(shí)驗(yàn)表明了本文所提出的維度學(xué)習(xí)策略在收斂精度方面的有效性以及引入異構(gòu)子群體的重要性。


本文編號(hào)：3219671