【摘要】：粒子群優(yōu)化算法使用反向學習技術可以提高性能.然而,現(xiàn)有的反向學習粒子群優(yōu)化算法僅采用粒子最大最小邊界計算反向解,沒有充分利用群體搜索經(jīng)驗.針對此問題,提出了一種鄰域重心反向學習策略,使用鄰域重心作為參考點計算反向解,充分吸收群體搜索經(jīng)驗的同時保持種群多樣性;采用收縮因子拓展反向解搜索范圍,增加找到更高質量解的機率.在典型的基準測試函數(shù)、CEC’13測試函數(shù)和一個實際工程優(yōu)化問題上進行驗證,實驗結果說明了鄰域重心反向學習策略的有效性和本文算法的競爭力.
【圖文】：

第11期周凌云:一種鄰域重心反向學習的粒子群優(yōu)化算法上NCOPSO算法排名都是第一．綜合以上實驗分析，說明領域重心反向學習策略有效提高了算法的性能．4．3鄰域重心反向學習策略有效性分析為了進一步對鄰域重心反向學習策略進行分析，構建了重心反向學習粒子群優(yōu)化算法COPSO，它以粒子群體重心為參考點計算反向解．表3給出了它們在測試集前4組函數(shù)上的結果．分析表3的結果可以發(fā)現(xiàn)，，NCOPSO算法在21個函數(shù)上都勝過COPSO算法，5個函數(shù)上與它相當，說明NCOPSO算法采用鄰域重心計算反向解，保留了COBL利用群體搜索經(jīng)驗的優(yōu)點，而且彌補了COBL的多樣性不足，能夠協(xié)調整體性與多2821

電子學報2017年樣性之間的平衡，對提高算法收斂能力發(fā)揮了積極作用．4．4拓撲結構對算法影響為了分析拓撲結構對算法的影響，分別構建環(huán)形拓撲的NCOPSO算法，記為NCOPSO－Ｒing，和正方形拓撲的NCOPSO算法，記為NCOPSO－Square．這兩種算法中粒子鄰居個數(shù)固定，不需要額外增加參數(shù)，其它設置與NCOPSO算法相同．表4給出了3種算法在測試集前4組函數(shù)上的結果，其中最后一行是3種算法的Fried-man檢驗排名．分析表4可以看出，不同拓撲結構的NCOPSO算法在大部分函數(shù)上的結果差距不大．從表4最后一行的Friedman檢驗排名上來看，NCOPSO算法略優(yōu)于其它兩個算法．表3NCOPSO算法及變體的實驗結果FunctionNCOPSOCOPSOf18．77e－135±1．84e－1344．93e－76±9．21e－76f20．00e+00±0．00e+000．00e+00±0．00e+00f32．54e+01±1．14e－012．56e+01±1．25e－01f43．65e－04±2．54e－041．05e－03±3．10e－04f50．00e+00±0．00e+004．69e－09±1．05e－08f68．88e－16±0．00e+004．44e－15±0．00e+00f70．00e+00±0．00e+000．00e+00±0．00e+00f89．60e+01±2．41e+011．72e+01±5．28e+00f92．27e－13±0．00e+002．27e－13±0．00e+00f103．65e+06±5．43e+062．42e+06±2．22e+06f117．28e+07±6．94e+077．22e+07±8．20e+07f122．05e+04±4．31e+032．38e+04±4．70e+03f132．85e－03±2．56e－042．84e－03±1．94e－04f141．08e+02±6．42e+011．15e+02±6．32e+01f152．93e+01±1．45e+012．90e+01±8．44e+00續(xù)表FunctionNCOPSOCOPSOf162．10e+01±6．55e－022．10e+01±3．67e－02f172．34e+01±7．34e+002．90e+01±7．69e+00f18

【相似文獻】

相關期刊論文 前10條

1 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應用[J];華中科技大學學報(自然科學版);2005年10期

2 李紹軍;王惠;錢鋒;;基于模式優(yōu)選思想改進的粒子群優(yōu)化算法[J];控制與決策;2006年10期

3 蘇俊霞;蔚承建;;基于粒子群優(yōu)化算法的自動機制設計[J];計算機工程與應用;2007年04期

4 何妮;吳燕仙;;粒子群優(yōu)化算法的研究[J];科技信息(科學教研);2008年06期

5 賀毅朝;王熙照;曲文龍;;一種具有雙重進化空間的擴展粒子群優(yōu)化算法[J];小型微型計算機系統(tǒng);2008年08期

6 王正帥;鄧喀中;;基于文化框架的隨機粒子群優(yōu)化算法[J];計算機科學;2012年06期

7 馮紀強;溫雅;;粒子群優(yōu)化的模糊特征[J];現(xiàn)代電子技術;2012年23期

8 田亞菲;張范勇;閻石;;基于粒子群優(yōu)化的細菌覓食優(yōu)化算法[J];控制工程;2012年06期

9 祁超;張曦;劉煥杰;張薈萃;;云環(huán)境下多群體協(xié)作粒子群優(yōu)化框架的研究[J];科技創(chuàng)新與應用;2013年36期

10 高海兵;周馳;高亮;;廣義粒子群優(yōu)化模型[J];計算機學報;2005年12期

相關會議論文 前9條

1 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術及其應用學術交流會論文集[C];2004年

2 王亞;于永光;耿玲玲;;一類改進的自適應粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學大會——2013論文摘要集[C];2013年

3 王光輝;陳杰;潘峰;;多種群協(xié)同粒子群優(yōu)化算法求解動態(tài)環(huán)境優(yōu)化問題[A];第二十七屆中國控制會議論文集[C];2008年

4 楊雅偉;侍洪波;;量子粒子群優(yōu)化算法及其應用研究[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

5 趙建玉;賈磊;陳月輝;張勇;;基于粒子群優(yōu)化的信號交叉口交通流預測模型[A];第二十六屆中國控制會議論文集[C];2007年

6 趙秋玲;周雅莉;張奇志;;基于粒子群優(yōu)化的結構振動分布式反饋控制[A];2005年中國智能自動化會議論文集[C];2005年

7 肖龍光;丁曉東;謝集平;;粒子群優(yōu)化算法的改進[A];第二十三屆中國控制會議論文集（上冊）[C];2004年

8 龔挺;曹秀英;;基于粒子群優(yōu)化的偽距定位算法研究[A];第二屆中國衛(wèi)星導航學術年會電子文集[C];2011年

9 錢偉懿;王艷杰;;帶自適應壓縮因子粒子群優(yōu)化算法[A];中國運籌學會模糊信息與模糊工程分會第五屆學術年會論文集[C];2010年

相關博士學位論文 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應用研究[D];北京理工大學;2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學;2013年

3 Shafiullah Khan;粒子群優(yōu)化算法及其在電磁設計中的應用[D];浙江大學;2017年

4 易云飛;基于伊藤隨機過程的粒子群優(yōu)化算法及其應用研究[D];武漢大學;2015年

5 熊勇;粒子群優(yōu)化算法的行為分析與應用實例[D];浙江大學;2005年

6 唐賢倫;混沌粒子群優(yōu)化算法理論及應用研究[D];重慶大學;2007年

7 唐賢倫;混沌粒子群優(yōu)化算法理論及應用[D];重慶大學;2007年

8 徐慧;粒子群優(yōu)化算法改進及其在煤層氣產(chǎn)能預測中的應用研究[D];中國礦業(yè)大學;2013年

9 劉逸;粒子群優(yōu)化算法的改進及應用研究[D];西安電子科技大學;2013年

10 高芳;智能粒子群優(yōu)化算法研究[D];哈爾濱工業(yè)大學;2008年

相關碩士學位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進及在油藏數(shù)值模擬中的應用[D];北京建筑大學;2015年

2 白云;基于粒子群優(yōu)化算法的復雜網(wǎng)絡社區(qū)挖掘[D];西北農(nóng)林科技大學;2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡態(tài)勢預測模型研究[D];蘭州大學;2015年

4 鄭博;基于快速排序的多目標粒子群優(yōu)化算法的研究及應用[D];鄭州大學;2015年

5 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學;2015年

6 李建美;基于自適應變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學;2015年

7 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學;2015年

8 牛旭;動態(tài)粒子群優(yōu)化算法及其應用[D];西安電子科技大學;2014年

9 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學;2014年

10 楊青河;基于優(yōu)化控制思想的粒子群優(yōu)化算法改進研究[D];東北大學;2013年

本文編號：2555203