提出了一種新的基于達(dá)爾文進(jìn)化的自適應(yīng)卡爾曼修正粒子群優(yōu)化算法（AK-DPSO,Adaptive Kalman correction Darwin Particle Swarm Optimization）�？柭拚龣C(jī)制能夠利用種群粒子位置更新過程的相關(guān)性信息提高算法搜索速度。使用了一種基于子梯度計(jì)算的方法來(lái)自適應(yīng)地調(diào)整算法的系數(shù),在每次迭代后算法根據(jù)卡爾曼修正機(jī)制調(diào)整全局最優(yōu)點(diǎn)的位置,這樣的調(diào)整能夠顯著地提升算法在搜索空間中的搜索效率和收斂率。同時(shí),為了克服早熟收斂的問題,AK-DPSO采取了基于自然選擇的達(dá)爾文進(jìn)化機(jī)制,通過多個(gè)子群的自然進(jìn)化增強(qiáng)粒子群的多樣性,從而減小算法陷入局部最優(yōu)點(diǎn)的可能性。進(jìn)行了一系列的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明本文算法能夠在多個(gè)性能指標(biāo)上達(dá)到或者超過現(xiàn)有粒子群優(yōu)化算法的水平。 

【文章來(lái)源】：東莞理工學(xué)院學(xué)報(bào). 2019,26(01)

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
1 粒子群優(yōu)化算法 (PSO)
    1.1 PSO的基本形式
    1.2 改進(jìn)PSO算法
2 基于進(jìn)化的自適應(yīng)卡爾曼修正粒子群算法
    2.1 卡爾曼修正機(jī)制 (Kalman Correction)
    2.2 基于子梯度的自適應(yīng)系數(shù)更新
    2.3 基于自然選擇的達(dá)爾文進(jìn)化過程
    2.4 基于達(dá)爾文進(jìn)化的自適應(yīng)卡爾曼修正粒子群算法
3 實(shí)驗(yàn)與分析
    3.1 測(cè)試函數(shù)與算法配置
    3.2 搜索精度比較
    3.3 算法穩(wěn)定性能比較
    3.4 收斂速度比較
    3.5 算法的計(jì)算復(fù)雜度分析
4 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)的分?jǐn)?shù)階達(dá)爾文粒子群優(yōu)化算法[J]. 郭通,蘭巨龍,李玉峰,陳世文.  通信學(xué)報(bào). 2014(04)
[2]具有異構(gòu)分簇的粒子群優(yōu)化算法研究[J]. 李文鋒,梁曉磊,張煜.  電子學(xué)報(bào). 2012(11)
[3]新的混沌粒子群優(yōu)化算法[J]. 胥小波,鄭康鋒,李丹,武斌,楊義先.  通信學(xué)報(bào). 2012(01)



本文編號(hào)：3375805