优化复杂函数的粒子群-鸽群混合优化算法

发布时间：2021-01-15 04:35

　　针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。 

【文章来源】：计算机工程与应用. 2019,55(22)北大核心

【文章页数】：7 页

【文章目录】：
1 引言
2 粒子群和鸽群算法
    2.1 带跳跃算子的粒子群算法
    2.2 带干扰算子的鸽群算法
3 粒子群-鸽群混合优化算法设计
4 实验仿真与分析
    4.1 阈值的选取测试
    4.2 测试函数
    4.3 对比算法与参数设置
    4.4 实验结果及分析
5 结束语


【参考文献】：
期刊论文
[1]基于自适应多种群的粒子群优化算法[J]. 曾辉,王倩,夏学文,方霞.  计算机工程与应用. 2018(10)
[2]基于改进鸽群优化的直升机协同目标分配[J]. 周凯,姜文志,陈邓安,郭智杰.  火力与指挥控制. 2017(07)
[3]基于SQP和自适应搜索的混沌粒子群算法[J]. 郑庆新,顾晓辉,张洪铭.  计算机工程与应用. 2018(13)
[4]基于改进鸽群算法的高超声速飞行器轨迹优化[J]. 张亚平,孙佩华,李昱辉,刘燕斌.  飞行力学. 2017(04)
[5]成长性的粒子群算法及其在函数优化中的应用[J]. 李荣雨,周志勇.  信息与控制. 2017(02)
[6]采用威胁启发鸽群优化的武装直升机航路规划[J]. 蒋飘蓬,周凯,朱乾坤,姜文志.  电光与控制. 2017(07)
[7]基于捕食逃逸鸽群优化的无人机紧密编队协同控制[J]. 段海滨,邱华鑫,范彦铭.  中国科学:技术科学. 2015(06)
[8]Tent混沌人工蜂群与粒子群混合算法[J]. 匡芳君,金忠,徐蔚鸿,张思扬.  控制与决策. 2015(05)
[9]基于动态层次分析的自适应多目标粒子群优化算法及其应用[J]. 夏立荣,李润学,刘启玉,耿志强.  控制与决策. 2015(02)
[10]基于混合粒子群-NEH算法求解无等待柔性流水车间调度问题[J]. 张其亮,陈永生.  系统工程理论与实践. 2014(03)



本文编号：2978238