針對基礎(chǔ)磷蝦群（KH）算法在求解復(fù)雜函數(shù)優(yōu)化問題時局部搜索能力差、求解精度低、收斂速度慢、容易陷入局部最優(yōu)等問題,提出一種基于動態(tài)壓力控制算子的磷蝦群算法（DPCKH）。該算法將一種新的動態(tài)壓力控制算子加入了標(biāo)準(zhǔn)磷蝦群算法,使其處理復(fù)雜函數(shù)優(yōu)化問題更有效。動態(tài)壓力控制算子通過歐氏距離量化了多個不同優(yōu)秀個體對目標(biāo)個體的誘導(dǎo)效應(yīng),進(jìn)而在優(yōu)秀個體附近加速產(chǎn)生新磷蝦個體,提高了磷蝦個體的局部探索能力。通過比較蟻群算法（ACO）、差分進(jìn)化算法（DE）、磷蝦群算法（KH）、改進(jìn)的磷蝦群算法（KHLD）和粒子群算法（PSO）,DPCKH算法在7個測試函數(shù)上的結(jié)果表明,DPCKH算法與ACO算法、DE算法、KH算法、KHLD算法和PSO算法相比有著更強(qiáng)的局部勘測能力,其開采能力更強(qiáng)。 

【文章來源】：計算機(jī)應(yīng)用. 2019,39(03)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

DPCKH算法流程Fig．1FlowchartofDPCKHalgorithm3仿真實驗與結(jié)果分析

【參考文獻(xiàn)】：
期刊論文
[1]新型群智能優(yōu)化算法綜述[J]. 林詩潔,董晨,陳明志,張凡,陳景輝.  計算機(jī)工程與應(yīng)用. 2018(12)
[2]改進(jìn)的排序變異多目標(biāo)差分進(jìn)化算法[J]. 劉寶,董明剛,敬超.  計算機(jī)應(yīng)用. 2018(08)
[3]群智能算法優(yōu)化的結(jié)合熵的最大類間方差法與脈沖耦合神經(jīng)網(wǎng)絡(luò)融合的圖像分割算法[J]. 程述立,汪烈軍,秦繼偉,杜安鈺.  計算機(jī)應(yīng)用. 2017(12)
[4]基于自然選擇和隨機(jī)擾動的改進(jìn)磷蝦群算法[J]. 劉沛,高岳林,郭偉.  小型微型計算機(jī)系統(tǒng). 2017(08)
[5]基于果蠅優(yōu)化算法的小波域數(shù)字水印算法[J]. 肖振久,孫健,王永濱,姜正濤.  計算機(jī)應(yīng)用. 2015(09)



本文編號：3337555