針對(duì)傳統(tǒng)粒子群優(yōu)化算法在求解復(fù)雜優(yōu)化問題時(shí)易陷入局部最優(yōu)和依賴參數(shù)的取值等問題,提出了一種獨(dú)立自適應(yīng)參數(shù)調(diào)整的粒子群優(yōu)化算法。算法重新定義了粒子進(jìn)化能力、種群進(jìn)化能力以及進(jìn)化率,在此基礎(chǔ)上給出了粒子群慣性權(quán)重及學(xué)習(xí)因子的獨(dú)立調(diào)整策略,更好地平衡了算法局部搜索與全局搜索的能力。為保持種群多樣性,提高粒子向全局最優(yōu)位置的收斂速度,在算法迭代過程中,采用粒子重構(gòu)策略使種群中進(jìn)化能力較弱的粒子向進(jìn)化能力較強(qiáng)的粒子進(jìn)行學(xué)習(xí),重新構(gòu)造生成新粒子。最后通過CEC2013中的10個(gè)基準(zhǔn)測(cè)試函數(shù)與4種改進(jìn)粒子群算法在不同維度下進(jìn)行測(cè)試對(duì)比,實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法在求解復(fù)雜函數(shù)時(shí)具有高效性,通過收斂性分析說明了算法的有效性。 

【文章來源】：計(jì)算機(jī)科學(xué)與探索. 2020,14(04)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

后期種群分布

初始種群分布

為進(jìn)一步說明IAP-PSO算法在尋優(yōu)速度上的優(yōu)勢(shì)，使算法在相同的實(shí)驗(yàn)環(huán)境下獨(dú)立運(yùn)行20次，粒子數(shù)均為40，記錄算法達(dá)到指定收斂精度時(shí)的運(yùn)行時(shí)間。如果迭代到200 000次后仍達(dá)不到要求的精度，則用“—”表示，如表6所示。圖4 函數(shù)f1的收斂曲線（D=50)

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的粒子群算法優(yōu)化的特征選擇方法[J]. 李煒,巢秀琴.  計(jì)算機(jī)科學(xué)與探索. 2019(06)
[2]基于S型函數(shù)的自適應(yīng)粒子群優(yōu)化算法[J]. 黃洋,魯海燕,許凱波,胡士娟.  計(jì)算機(jī)科學(xué). 2019(01)
[3]自適應(yīng)簡(jiǎn)化粒子群優(yōu)化算法及其應(yīng)用[J]. 張?chǎng)?鄒德旋,肖鵬,喻秋.  計(jì)算機(jī)工程與應(yīng)用. 2019(08)
[4]改進(jìn)的二階振蕩粒子群算法[J]. 蔣麗,葉潤(rùn)舟,梁昌勇,陸文星.  計(jì)算機(jī)工程與應(yīng)用. 2019(09)
[5]一種動(dòng)態(tài)調(diào)整慣性權(quán)重的粒子群優(yōu)化算法[J]. 董紅斌,李冬錦,張小平.  計(jì)算機(jī)科學(xué). 2018(02)



本文編號(hào)：3622123