本文關(guān)鍵詞： 共生生物搜索算法 旋轉(zhuǎn)學(xué)習(xí) 函數(shù)優(yōu)化　出處：《計(jì)算機(jī)應(yīng)用研究》2017年09期 　論文類型：期刊論文

【摘要】：為提高共生生物搜索算法(symbiotic organisms search,SOS)的性能,提出一種基于旋轉(zhuǎn)學(xué)習(xí)策略的共生生物搜索算法(symbiotic organisms search using rotation-based learning,RSOS)。該算法將串行個(gè)體更新方式改為并行種群更新方式,提高算法收斂速度;引入遍歷保優(yōu)的旋轉(zhuǎn)學(xué)習(xí)策略,代替寄生機(jī)制的盲目隨機(jī)搜索,增大保留新個(gè)體的概率,補(bǔ)充種群多樣性,提高算法跳出局部最優(yōu)的能力。對(duì)于八個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)仿真表明,RSOS算法較基本SOS算法在收斂速度、收斂精度及穩(wěn)定性上得到了明顯提升。
[Abstract]:To improve the performance of symbiotic organisms search algorithm. A symbiotic biological search algorithm based on rotating learning strategy is proposed. Symbiotic organisms search using rotation-based learning. The algorithm changes the serial individual updating method to the parallel population updating method, and improves the convergence speed of the algorithm. A rotative learning strategy is introduced to replace the blind random search of parasitic mechanism to increase the probability of retaining new individuals and to supplement the diversity of the population. The simulation of eight standard test functions shows that the convergence speed, convergence precision and stability of the RSOS algorithm are obviously improved compared with the basic SOS algorithm.
【作者單位】： 東北電力大學(xué)信息工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61501107) 吉林省教育廳“十三五”科學(xué)技術(shù)研究項(xiàng)目(吉教科合字[2016]第95號(hào))
【分類號(hào)】：TP18
【正文快照】： 0引言2014年,Cheng等人[1]通過模仿自然界中不同生物之間的交互作用,提出一種新型群智能優(yōu)化算法——共生生物搜索算法(symbiotic organisms search,SOS)。實(shí)驗(yàn)研究表明,與目前較為優(yōu)秀的進(jìn)化算法——遺傳算法(genetic algorithm,GA)[2,3]、粒子群算法(particle swarm optimiz，

本文編號(hào)：1459068