本文選題：回溯搜索優(yōu)化算法 + 引導機制�。� 參考：《計算機工程與應用》2017年21期

【摘要】：回溯搜索優(yōu)化算法(BSA)是近年提出的一種新型優(yōu)化算法,針對其收斂速度較慢、易陷于局部最優(yōu)的缺點,提出了一種基于最優(yōu)個體引導和小生境技術相結合的改進BSA算法。本方法首先在BSA的變異操作中引入向最優(yōu)個體學習的策略,以提高算法的收斂速度;其次,設計一種新的小生境排擠技術,根據每個個體到其他個體距離的平均最小值確定小生境半徑,排除部分相似性較高的個體;結合群體當前的最差信息,設計一種新的變異方法產生一定數量的新個體補充到新的種群中,維持群體數量的恒定并增強群體多樣性。改進的BSA算法充分考慮了算法的收斂速度和群體的多樣性,較大地提高了傳統(tǒng)BSA算法的性能。對10個典型函數進行仿真測試,并與其他算法結果進行對比,實驗結果表明,改進算法在收斂速度與精度方面具有較好的效果。
[Abstract]:The backtracking search optimization algorithm (BSA) is a new optimization algorithm proposed in recent years. In view of its slow convergence and local optimum, an improved BSA algorithm based on the combination of optimal individual guidance and niche technology is proposed. This method first introduces the strategy of learning to the optimal individual in the variant operation of BSA. The convergence speed of the high algorithm is obtained. Secondly, a new niche extrusion technique is designed to determine the niche radius according to the average minimum distance of each individual to other individual distances and eliminate some individuals with higher similarity. In the population, the number of groups is maintained and the population diversity is enhanced. The improved BSA algorithm fully considers the convergence speed of the algorithm and the diversity of the group, and greatly improves the performance of the traditional BSA algorithm. 10 typical functions are simulated and compared with other algorithms. The experimental results show that the improved algorithm is convergent. The speed and precision have good effect.

【作者單位】： 淮北師范大學物理與電子信息學院;
【基金】：國家自然科學基金(No.61572224,No.61304082) 安徽省高校自然科學研究重大項目(No.KJ2015ZD36);安徽省高校自然科學研究重點項目(No.KJ2016A639) 安徽省國際科技合作計劃項目(No.10080703003) 安徽省第七批”115”產業(yè)創(chuàng)新團隊皖人才[2014]4號
【分類號】：TP18

【相似文獻】

相關期刊論文 前10條

1 林毅申;彭宏;韋佳;;小生境基因表達式編程在函數發(fā)現的研究[J];小型微型計算機系統(tǒng);2008年11期

2 鄭金華;劉磊;劉文盼;鄒娟;;一種自適應小生境分布性保持策略[J];電子學報;2012年11期

3 李孝源;李枚毅;宋凌;;動態(tài)環(huán)境下一種改進的小生境粒子群算法[J];計算機工程與應用;2008年09期

4 李太勇;唐常杰;吳江;羅謙;李生智;邱江濤;;基于小生境基因表達式編程的多模函數優(yōu)化[J];四川大學學報(工程科學版);2009年02期

5 劉福敏;劉弘;;基于小生境技術的共享學習在協同設計中的應用[J];計算機應用與軟件;2010年02期

6 史哲文;白雪石;郭禾;;基于改進小生境粒子群算法的多模函數優(yōu)化[J];計算機應用研究;2012年02期

7 李向麗;周林成;;嵌入小生境技術的自適應并行蟻群算法[J];電腦知識與技術;2008年34期

8 高雪蓮;馮楠;崔振南;張曉宇;趙磊;魏敏;王光波;;改進克隆小生境算法及應用[J];華中師范大學學報(自然科學版);2013年04期

9 史俊友;蘇傳生;翟紅巖;;基于小生境遺傳模擬退火算法的不規(guī)則件優(yōu)化排樣[J];青島科技大學學報(自然科學版);2009年05期

10 向長城;黃席樾;楊祖元;楊欣;;小生境粒子群優(yōu)化算法[J];計算機工程與應用;2007年15期

相關博士學位論文 前1條

1 陸青;基于IEC的隱性目標智能決策方法研究[D];合肥工業(yè)大學;2009年

相關碩士學位論文 前10條

1 薛益鴿;改進的布谷鳥搜索算法及其應用研究[D];西南大學;2015年

2 康亮;克隆小生境算法中參數設定方法的研究[D];華北電力大學（北京）;2010年

3 白雪石;小生境粒子群算法改進及其在圖像檢索中應用[D];大連理工大學;2011年

4 陳瑩菲;基于差分思想的小生境鼠群算法[D];內蒙古工業(yè)大學;2013年

5 郭海麗;基于小生境技術的兩階段EDAs及其在鋼鐵生產調度中的應用研究[D];太原科技大學;2010年

6 馬艷;流域洪水演進模型參數反演的小生境粒子群算法研究[D];哈爾濱工業(yè)大學;2013年

7 王芳;基于小生境的進化RBF網絡及應用[D];上海交通大學;2008年

8 孫紅艷;改進的小生境遺傳聚類算法應用研究[D];遼寧工程技術大學;2010年

9 張宇;思維進化算法的改進及應用[D];華北電力大學（河北）;2007年

10 張曉丹;WSN中基于改進粒子群優(yōu)化算法的分簇拓撲算法研究[D];鄭州大學;2017年

，

本文編號：1887008