基于蛙跳算法和增删机制的多种群粒子群优化算法及其应用

发布时间：2020-05-31 04:53

【摘要】：多种群粒子群优化算法具有可调参数少,全局搜索能力良好,种群多样性较高等优点。然而,整个种群的信息共享较多依赖种群的重组周期。在算法后期的收敛过程中,由于种群间不能得到充分交流,导致种群跳出局部最优的能力不强,种群多样性丧失过快。而蛙跳算法与粒子群优化算法相比具有更好的种群多样性。因此,为了提高算法的种群多样性,增强算法的全局搜索能力和局部搜索能力,本文提出了一种基于蛙跳算法的多种群粒子群优化算法,其中包括多种群分群策略、多种群更新策略和多种群合作策略。多种群分群策略改变了种群的分群方式,提高了副群全局搜索的能力;粒子更新策略使得种群在拥有全局搜索能力的同时,提高了种群收敛精度;多种群合作策略则提高了种群间交流能力。为进一步提高种群多样性,从而提高算法跳出局部最优的能力,引入了一个增删机制来记录粒子的更新状态,对粒子进行更新或删除操作。最后,将改进的多种群粒子群算法应用在了基因表达谱的特征选择中。本文的主要工作如下:1)针对多种群粒子群优化算法中随机分类不稳定,种群交流能力不足,多样性流失过快的缺点,提出了基于蛙跳机制的多种群粒子群算法(MSLPSO)。首先,对粒子进行新的种群分类策略,将粒子按照计算得到的粒子适应度函数值进行降序排列并以此分群,以此提高了种群的全局搜索能力。其次,在主群和副群中,算法采用不同的更新策略来更新。主群负责收敛以提高算法的收敛精度,副群负责搜索整个解空间,在保证了全局搜索能力的同时,提高了算法的收敛精度。最后,种群使用了一种新的信息交流机制。副群之间没有直接的通信,每个副群仅负责各自的全局搜索。当副群搜索到更好的解决方案时,该粒子通过替换主群中指定位置的粒子来与主群进行通信,提高了种群跳出局部最优的能力。通过与多个改进粒子群优化算法和蛙跳算法(SFLA)的比较,实验结果表明,基于蛙跳算法的多种群粒子群优化算法具有更高的收敛精度和更快的收敛速度。2)针对多种群粒子群优化算法种群多样性不足的缺点,在MSLPSO的基础上,提出了一种粒子增删机制,并将改进算法应用于基因表达谱的特征选择方法中。首先,提出了一种增删机制来记录粒子的更新状态,为算法中的每个粒子赋予一个周期值,当粒子更新到更好状态时,粒子周期值重置为0,否则,粒子周期值增加1,当粒子周期值达到预设值时,删除粒子并重新生成新的粒子,防止了粒子停滞不前,提高了整个种群在全局搜索中的多样性。其次,本文将改进的算法应用于基因表达谱的特征选择方法中,并与其它使用PSO的改进方法相比,该方法在数据集上的实验结果表明,基于上述改进算法的基因选择方法,进一步提高了所选基因子集的分类准确率。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18

【参考文献】