為解決差分進化算法后期收斂易陷入局部最優(yōu)和早熟收斂的問題,提出一種群體智能優(yōu)化算法,即協(xié)同智能的蝙蝠差分混合算法。利用蝙蝠個體脈沖回聲定位的特點,與差分種群相互協(xié)作,在當前最優(yōu)解gbest附近進行一次詳細搜索,有效增加種群的多樣性,跳出局部最優(yōu)。通過蝙蝠種群和差分種群兩個種群的相互協(xié)作,較好平衡全局搜索和局部開發(fā)之間的能力。為驗證算法有效性,選用9個常用的基準測試函數(shù)和5個0-1背包問題,與標準粒子群算法、帶高斯擾動的粒子群算法、蝙蝠算法、差分算法、煙花算法相對比,仿真實驗表明,所提算法總體性能優(yōu)于其它5種算法。 

【文章來源】：計算機工程與設計. 2020,41(02)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

f4尋優(yōu)進化曲線

f7尋優(yōu)進化曲線

在測試函數(shù)f1、f3、f4、f8的優(yōu)化過程中，分析圖1、圖3、圖4、圖8：在尋優(yōu)前期，在相同迭代次數(shù)情況下，BADE算法的收斂速度和收斂精度均優(yōu)于其它5種算法。分析表2對應的平均解avg:BADE找到了最優(yōu)值，且不亞于其它5種算法。圖2 f2尋優(yōu)進化曲線

【參考文獻】：
期刊論文
[1]具有自適應步長與協(xié)同尋優(yōu)的蝙蝠煙花混合算法[J]. 莫海淼,趙志剛,曾敏,石靜,溫泰.  小型微型計算機系統(tǒng). 2019(07)
[2]帶高斯擾動和協(xié)同尋優(yōu)的蝙蝠粒子群混合算法[J]. 趙志剛,莫海淼,溫泰,劉峰.  廣西大學學報(自然科學版). 2018(06)
[3]基于差分進化人工蜂群算法的云計算資源調(diào)度[J]. 李志敏,張偉.  計算機工程與設計. 2018(11)
[4]應用反向?qū)W習和差分進化的群搜索優(yōu)化算法[J]. 鄒華福,謝承旺,周楊萍,王立平.  計算機科學. 2018(S1)
[5]基于差分演化的自適應集成學習算法在不均衡數(shù)據(jù)分類中的應用[J]. 郭海湘,顧明赟,李詒靖,黃媛玥,王文杰.  系統(tǒng)工程理論與實踐. 2018(05)
[6]求解0-1背包問題的改進離散和聲搜索算法[J]. 歐陽海濱,夏紅剛,王清,馬鴿.  廣州大學學報(自然科學版). 2018(01)
[7]灰狼優(yōu)化與差分進化的混合算法及函數(shù)優(yōu)化[J]. 張新明,涂強,康強,程金鳳.  計算機科學. 2017(09)
[8]基于和聲差分進化的UKF改進算法[J]. 賀軍義,李男男.  控制與決策. 2018(04)
[9]一種求解多模態(tài)復雜問題的混合和聲差分算法[J]. 黎延海,拓守恒.  智能系統(tǒng)學報. 2018(02)
[10]基于混合差分粒子群算法的MapReduce任務調(diào)度算法研究[J]. 徐俊,湯庸,劉道余.  小型微型計算機系統(tǒng). 2016(07)



本文編號：3568391