本文選題：花朵授粉　切入點：高斯變異　出處：《計算機工程與設(shè)計》2017年06期 　論文類型：期刊論文

【摘要】：針對花朵授粉算法(FPA)尋優(yōu)過程中局部深度搜索能力弱、易陷入局部最優(yōu)、后期收斂速度慢的問題,提出一種基于自適應(yīng)高斯變異的混合蛙跳花朵授粉算法(AGM-SFLFPA)。借鑒混合蛙跳算法(SFLA)思想,對種群個體按照適應(yīng)度值進行排序、分組并更新各分組中最差個體的位置,增強算法的局部深度搜索能力并增加種群多樣性;通過公示牌動態(tài)監(jiān)測算法是否陷入局部最優(yōu),當陷入時,將自動對全局最優(yōu)個體執(zhí)行高斯變異操作,提高個體跳出局部最優(yōu)的能力、增強種群多樣性、加快收斂速度。通過6個典型的標準測試函數(shù)從4個方面驗證該算法的有效性,驗證結(jié)果表明,AGMSFLFPA具有更好的穩(wěn)定性和可靠性、更快的收斂速度及更高的尋優(yōu)精度,適用于高維復(fù)雜多極值函數(shù)求解問題。
[Abstract]:In order to solve the problem of weak local depth search ability, easy to fall into local optimum and slow convergence rate in the process of flower pollination algorithm (FPA), A hybrid frog-leapfrog flower pollination algorithm based on adaptive Gao Si mutation is proposed. Using the idea of hybrid leapfrog algorithm (SFLAs) for reference, the population individuals are sorted according to fitness, and the worst individual positions in each grouping are updated. Enhance the local depth search ability of the algorithm and increase the diversity of the population, and dynamically monitor whether the algorithm falls into the local optimum by using the bulletin board, when the algorithm is trapped, it will automatically carry out Gao Si mutation operation on the globally optimal individual. This paper improves the ability of individual to jump out of local optimum, enhances population diversity, and accelerates convergence speed. The validity of the algorithm is verified from four aspects by six typical standard test functions, and the results show that AGMSFLFPA has better stability and reliability. Faster convergence speed and higher optimization accuracy are suitable for solving complex multiextremum function problems in high dimension.
【作者單位】： 中國礦業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院;常熟理工學(xué)院計算機科學(xué)與工程學(xué)院;山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院;
【基金】：國家自然科學(xué)基金項目(61173130)
【分類號】：TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 齊潔;汪定偉;;極值優(yōu)化算法綜述[J];控制與決策;2007年10期

2 孫騫;張進;王宇翔;;蟻群算法優(yōu)化策略綜述[J];信息安全與技術(shù);2014年02期

3 胡娟,王常青,韓偉,全智;蟻群算法及其實現(xiàn)方法研究[J];計算機仿真;2004年07期

4 李金漢;杜德生;;一種改進蟻群算法的仿真研究[J];自動化技術(shù)與應(yīng)用;2008年02期

5 李修琳;魯建廈;柴國鐘;湯洪濤;;混合蜂群算法求解柔性作業(yè)車間調(diào)度問題[J];計算機集成制造系統(tǒng);2011年07期

6 秦全德;程適;李麗;史玉回;;人工蜂群算法研究綜述[J];智能系統(tǒng)學(xué)報;2014年02期

7 李豆豆;邵世煌;齊金鵬;;生存遷移算法[J];系統(tǒng)仿真學(xué)報;2008年08期

8 曹炬;賈紅;李婷婷;;煙花爆炸優(yōu)化算法[J];計算機工程與科學(xué);2011年01期

9 劉曉勇;付輝;;一種快速AP聚類算法[J];山東大學(xué)學(xué)報(工學(xué)版);2011年04期

10 王圣堯;王凌;方晨;許燁;;分布估計算法研究進展[J];控制與決策;2012年07期

相關(guān)會議論文 前2條

1 朱雙東;艾智斌;閻夏;;BP網(wǎng)絡(luò)學(xué)習算法的改進方案探析[A];1998年中國智能自動化學(xué)術(shù)會議論文集（上冊）[C];1998年

2 唐乾玉;陳翰馥;韓曾晉;;串行生產(chǎn)線的參數(shù)優(yōu)化[A];1994年中國控制會議論文集[C];1994年

相關(guān)博士學(xué)位論文 前2條

1 王可心;大規(guī)模過程系統(tǒng)非線性優(yōu)化的簡約空間理論與算法研究[D];浙江大學(xué);2008年

2 傅啟明;強化學(xué)習中離策略算法的分析及研究[D];蘇州大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 馬英鈞;基于人工蜂群算法的約束優(yōu)化問題研究[D];華中師范大學(xué);2015年

2 孫方亮;基于粒子群與中心引力的一種新混合算法及應(yīng)用[D];西安電子科技大學(xué);2014年

3 張德祥;基于改進蟻群算法的機器人三維路徑規(guī)劃研究[D];青島科技大學(xué);2015年

4 盧協(xié)平;聯(lián)盟競賽算法的研究與應(yīng)用[D];福州大學(xué);2014年

5 代水芹;基于種群分解的進化超多目標算法及其應(yīng)用[D];廣東工業(yè)大學(xué);2016年

6 李倩;支持張量機的切平面算法研究[D];華南理工大學(xué);2016年

7 姚洪曼;基于改進人工蜂群算法的模糊聚類研究[D];廣西大學(xué);2016年

8 丁亞英;基于局部搜索和二進制的改進人工蜂群算法[D];南京師范大學(xué);2016年

9 楊杰;基于粒子群優(yōu)化算法的不確定聚類技術(shù)研究[D];北方民族大學(xué);2016年

10 周雨鵬;基于鴿群算法的函數(shù)優(yōu)化問題求解[D];東北師范大學(xué);2016年

，

本文編號：1574807