針對粒子群優(yōu)化（PSO）算法容易陷入局部最優(yōu)、收斂精度不高、收斂速度較慢的問題,提出一種基于分層自主學(xué)習(xí)的改進(jìn)粒子群優(yōu)化（HCPSO）算法。首先,根據(jù)粒子適應(yīng)度值和迭代次數(shù)將種群動態(tài)地劃分為三個不同階層;然后,根據(jù)不同階層粒子特性,分別采用局部學(xué)習(xí)模型、標(biāo)準(zhǔn)學(xué)習(xí)模型以及全局學(xué)習(xí)模型,增加粒子多樣性,反映出個體差異的認(rèn)知對算法性能的影響,提高算法的收斂速度和收斂精度;最后,將HCPSO算法與PSO算法、自適應(yīng)多子群粒子群優(yōu)化（PSO-SMS）算法以及動態(tài)多子群粒子群優(yōu)化（DMS-PSO）算法分別在6個典型的測試函數(shù)上進(jìn)行對比仿真實(shí)驗(yàn)。仿真結(jié)果表明,HCPSO算法的收斂速度和收斂精度相對給出的對比算法均有明顯提升,并且算法執(zhí)行時間和基本PSO算法執(zhí)行時間差距在0. 001量級內(nèi),在不增加算法復(fù)雜度的情況下算法性能更高。 

【文章來源】：計算機(jī)應(yīng)用. 2019,39(01)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

各階層粒子數(shù)量變化Fig．1Changeofparticlequantityineachclass算法具體實(shí)現(xiàn)過程

憂烤植糠段?閹髂?力;中層粒子處于優(yōu)劣之間，作為整個群體信息交流的橋梁，兼顧全局與局部搜索能力，保留基本學(xué)習(xí)模型;下層粒子較差，因此讓其以一定概率隨機(jī)游走，并采用全局學(xué)習(xí)模型，增強(qiáng)種群多樣性。算法迭代初期，種群中大部分粒子距離最優(yōu)位置較遠(yuǎn)，因此使上層粒子較少、下層粒子較多，增強(qiáng)算法全局搜索能力;算法迭代后期，粒子逐漸向最優(yōu)位置靠攏，需對解空間進(jìn)行細(xì)致搜索，因此增加上級階層粒子，同時減少下級階層粒子，加強(qiáng)算法局部搜索能力，提高收斂速度。隨著算法迭代，各階層粒子的數(shù)量變化如圖1所示。圖1各階層粒子數(shù)量變化Fig．1Changeofparticlequantityineachclass2．2HCPSO算法具體實(shí)現(xiàn)過程PSO算法優(yōu)化過程中，設(shè)當(dāng)代全體粒子適應(yīng)度值大小用集合F={f1，f2，…，fN}表示，其中:N代表粒子總數(shù)，fi代表的是第i個粒子適應(yīng)度值大小。根據(jù)適應(yīng)度值大小對全體粒子進(jìn)行升序排列(此處適應(yīng)度值越小代表粒子位置越優(yōu))，形成新的粒子序列集合X={x1，x2，…，xN}，重新排序后粒子的序號唯一標(biāo)識粒子的優(yōu)劣程度，如圖2所示。圖2粒子分級示意圖Fig．2Schematicdiagramofparticleclassification由圖2可知，重新排序后，粒子序號越大，表示粒子適應(yīng)度值越差，因此，將重新排序后的粒子序號作為劃分粒子為不同階層的依據(jù)。設(shè)定全局最優(yōu)粒子重新排序后的序號為NXl，low和up分別表示分層的下界和上界，具體更新方式如式(4)和(5)所示:low=countstart+N*(0．5－t/T)3(4)up=countend+N*(0．5－t/T)3(5)其中:countstart和countend分別為N/8

【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)多種群的粒子群優(yōu)化算法[J]. 曾輝,王倩,夏學(xué)文,方霞.  計算機(jī)工程與應(yīng)用. 2018(10)
[2]基于模糊高斯學(xué)習(xí)策略的粒子群-進(jìn)化融合算法[J]. 周偉,羅建軍,靳鍇,王凱.  計算機(jī)應(yīng)用. 2017(09)
[3]基于多策略協(xié)同作用的粒子群優(yōu)化算法[J]. 李俊,汪沖,李波,方國康.  計算機(jī)應(yīng)用. 2016(03)
[4]基于自主學(xué)習(xí)和精英群的多子群粒子群算法[J]. 姜海燕,王芳芳,郭小清,莊嘉祥.  控制與決策. 2014(11)
[5]一種遺傳算法與粒子群優(yōu)化的多子群分層混合算法[J]. 金敏,魯華祥.  控制理論與應(yīng)用. 2013(10)



本文編號：3450112