為了改善粒子群算法在解決高維優(yōu)化問題時易早熟收斂且存在大量無效迭代的問題,提出了一種基于熵模型的粒子群優(yōu)化（EPSO）算法.通過引入信息熵模型,精確分析了粒子群搜索過程中的聚集特性,將粒子群搜索過程劃分為3個階段進(jìn)行優(yōu)化.第1階段引入粒子迭代熵差,優(yōu)化調(diào)整慣性權(quán)重;第2階段根據(jù)粒子群熵值變化,適時重置慣性權(quán)重;第3階段采用截斷策略,減少粒子群的無效迭代.實(shí)驗(yàn)結(jié)果表明,在Sphere、Rosenbrock、Ackley、Griewank、Rastrigin五個標(biāo)準(zhǔn)測試函數(shù)中,EPSO算法的求解精度和收斂速度都優(yōu)于傳統(tǒng)粒子群算法、經(jīng)典粒子群算法、自適應(yīng)慣性權(quán)重粒子群算法以及新的自適應(yīng)慣性權(quán)重粒子群算法,并且減少了算法的大量無效迭代,從而驗(yàn)證了EPSO算法的有效性. 

【文章來源】：東南大學(xué)學(xué)報(自然科學(xué)版). 2019,49(06)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

Ackley函數(shù)的粒子熵值圖

的求解精度．同時，EPSO算法在標(biāo)準(zhǔn)測試函數(shù)的均方誤差最小，表明在粒子群迭代尋優(yōu)過程中，其全局最優(yōu)值集中在均值附近．3．2收斂速度粒子群算法的另一衡量標(biāo)準(zhǔn)為收斂速度．5個測試函數(shù)的實(shí)驗(yàn)仿真結(jié)果見圖2．由圖可知，對于Ackley測試函數(shù)，EPSO算法的收斂速度和求解精度最優(yōu);對于其他4種測試函數(shù)，EPSO算法的收斂速度與對比算法相同，但求解精度最優(yōu)．(a)Sphere函數(shù)(b)Ｒosenbrock函數(shù)(c)Ackley函數(shù)(d)Griewank函數(shù)(e)Ｒastrigin函數(shù)圖25種算法針對5個適應(yīng)度函數(shù)的測試結(jié)果3．3迭代尋優(yōu)次數(shù)在EPSO算法中，為減少粒子群搜索過程的無效迭代尋優(yōu)次數(shù)，在粒子群熵值接近最終熵值時，采用截斷策略．粒子群得到全局最優(yōu)值時，截斷第6期孫騫，等:基于熵模型的粒子群優(yōu)化算法1901

【參考文獻(xiàn)】：
期刊論文
[1]一種動態(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)
[2]多策略自適應(yīng)粒子群優(yōu)化算法[J]. 湯可宗,豐建文,李芳,楊靜宇.  南京理工大學(xué)學(xué)報. 2017(03)
[3]基于網(wǎng)格排序的多目標(biāo)粒子群優(yōu)化算法[J]. 李笠,王萬良,徐新黎,李偉琨.  計(jì)算機(jī)研究與發(fā)展. 2017(05)
[4]基于平衡搜索策略的多目標(biāo)粒子群優(yōu)化算法[J]. 耿煥同,陳正鵬,陳哲,周利發(fā).  模式識別與人工智能. 2017(03)
[5]任務(wù)調(diào)度算法中新的自適應(yīng)慣性權(quán)重計(jì)算方法[J]. 李學(xué)俊,徐佳,朱二周,張以文.  計(jì)算機(jī)研究與發(fā)展. 2016(09)
[6]帶交叉算子的量子粒子群優(yōu)化算法[J]. 陳漢武,朱建鋒,阮越,劉志昊,趙生妹.  東南大學(xué)學(xué)報(自然科學(xué)版). 2016(01)
[7]具備反向?qū)W習(xí)和局部學(xué)習(xí)能力的粒子群算法[J]. 夏學(xué)文,劉經(jīng)南,高柯夫,李元香,曾輝.  計(jì)算機(jī)學(xué)報. 2015(07)
[8]基于熵模型的動態(tài)粒子群優(yōu)化算法[J]. 李宏光,廉瑩,方夢琪.  北京工業(yè)大學(xué)學(xué)報. 2015(05)



本文編號：3634401