基于指数递减型惯性权重的改进萤火虫算法
发布时间：2021-01-17 01:49
针对萤火虫算法存在收敛速度慢、求解精度低等问题,本文提出了一种基于指数递减型惯性权重的改进萤火虫算法（IFA）.将指数递减型惯性权重引入到位置更新公式中,在权重公式中加入随机扰动项进行自适应调整。通过典型测试函数对基本算法和改进算法进行仿真实验,验证了IFA算法的有效性。
【文章来源】：科学技术创新. 2019,(13)
【文章页数】：2 页
【部分图文】：
Sphere函数迭代曲线图图2Rosenbrock函数迭代曲线图
；Step8：输出全局极值点和最优个体值。3仿真实验及分析为了检验IFA算法的有效性，将基本FA算法和IFA算法通过测试函数进行对比分析。在matlabR2016a，windows10系统下进行测试.萤火虫数量n=25，最大迭代次数为100，α=0.5，βmin=0.2，γ=1。IFA算法和FA算法均独立运行100次，测试函数见表1。图1-图6为测试函数迭代曲线图，表2为两种算法搜索到的最优值情况统计表。表1测试函数图1Sphere函数迭代曲线图图2Rosenbrock函数迭代曲线图图3Rastrigin函数迭代曲线图图4Ackley函数迭代曲线图图5Griewank函数迭代曲线图图6Zakharov函数迭代曲线图通过分析，容易看出改进后的IFA算法均明显优于基本FA算法，本文展示的为迭代次数为100次的两算法迭代曲线对比图像，发现基本FA算法对以上6种常用的测试函数均陷入了局部最优，其中Sphere函数的效果明显更优，而已知Rosenbrock函数是一个非凸的单峰函数，收敛于全局最优点的概率较低，可以看出改进后的算法对该函数的收敛速度有较大改善。而Rastrigin函数、Ackley函数、Griewank函数、Zakharov函数均为多峰函数，收敛速度和收敛精度也有了明显改善，这些都说明了IFA算法比FA算法拥有更快的收敛速度，具有更强大的全局搜寻能力。表2两种算法搜索到的最优值情况在表2中，最优值、最差值和平均值分别表示两种算法在独立运行100次后搜索结果中最好的一次、最差的一次和平均值。由表2可知，对于Sphere函数和Rastrigin函数，IFA算法搜索到的最优值、最差值和平均值均更加接近于测试函数本身的最优值0，最优值有?
；Step8：输出全局极值点和最优个体值。3仿真实验及分析为了检验IFA算法的有效性，将基本FA算法和IFA算法通过测试函数进行对比分析。在matlabR2016a，windows10系统下进行测试.萤火虫数量n=25，最大迭代次数为100，α=0.5，βmin=0.2，γ=1。IFA算法和FA算法均独立运行100次，测试函数见表1。图1-图6为测试函数迭代曲线图，表2为两种算法搜索到的最优值情况统计表。表1测试函数图1Sphere函数迭代曲线图图2Rosenbrock函数迭代曲线图图3Rastrigin函数迭代曲线图图4Ackley函数迭代曲线图图5Griewank函数迭代曲线图图6Zakharov函数迭代曲线图通过分析，容易看出改进后的IFA算法均明显优于基本FA算法，本文展示的为迭代次数为100次的两算法迭代曲线对比图像，发现基本FA算法对以上6种常用的测试函数均陷入了局部最优，其中Sphere函数的效果明显更优，而已知Rosenbrock函数是一个非凸的单峰函数，收敛于全局最优点的概率较低，可以看出改进后的算法对该函数的收敛速度有较大改善。而Rastrigin函数、Ackley函数、Griewank函数、Zakharov函数均为多峰函数，收敛速度和收敛精度也有了明显改善，这些都说明了IFA算法比FA算法拥有更快的收敛速度，具有更强大的全局搜寻能力。表2两种算法搜索到的最优值情况在表2中，最优值、最差值和平均值分别表示两种算法在独立运行100次后搜索结果中最好的一次、最差的一次和平均值。由表2可知，对于Sphere函数和Rastrigin函数，IFA算法搜索到的最优值、最差值和平均值均更加接近于测试函数本身的最优值0，最优值有?
【参考文献】：
期刊论文
[1]萤火虫算法结合人工势场法的机器人路径规划[J]. 李丽娜,郭永强,张晓东,卢媛,徐攀峰. 计算机工程与应用. 2018(20)
[2]基于维度变化的萤火虫优化算法[J]. 张宇航,项铁铭,王建成. 工业控制计算机. 2017(03)
[3]一种基于多种群学习机制的萤火虫优化算法[J]. 符强,童楠,赵一鸣. 计算机应用研究. 2013(12)
本文编号：2981954
【文章来源】：科学技术创新. 2019,(13)
【文章页数】：2 页
【部分图文】：
Sphere函数迭代曲线图图2Rosenbrock函数迭代曲线图
；Step8：输出全局极值点和最优个体值。3仿真实验及分析为了检验IFA算法的有效性，将基本FA算法和IFA算法通过测试函数进行对比分析。在matlabR2016a，windows10系统下进行测试.萤火虫数量n=25，最大迭代次数为100，α=0.5，βmin=0.2，γ=1。IFA算法和FA算法均独立运行100次，测试函数见表1。图1-图6为测试函数迭代曲线图，表2为两种算法搜索到的最优值情况统计表。表1测试函数图1Sphere函数迭代曲线图图2Rosenbrock函数迭代曲线图图3Rastrigin函数迭代曲线图图4Ackley函数迭代曲线图图5Griewank函数迭代曲线图图6Zakharov函数迭代曲线图通过分析，容易看出改进后的IFA算法均明显优于基本FA算法，本文展示的为迭代次数为100次的两算法迭代曲线对比图像，发现基本FA算法对以上6种常用的测试函数均陷入了局部最优，其中Sphere函数的效果明显更优，而已知Rosenbrock函数是一个非凸的单峰函数，收敛于全局最优点的概率较低，可以看出改进后的算法对该函数的收敛速度有较大改善。而Rastrigin函数、Ackley函数、Griewank函数、Zakharov函数均为多峰函数，收敛速度和收敛精度也有了明显改善，这些都说明了IFA算法比FA算法拥有更快的收敛速度，具有更强大的全局搜寻能力。表2两种算法搜索到的最优值情况在表2中，最优值、最差值和平均值分别表示两种算法在独立运行100次后搜索结果中最好的一次、最差的一次和平均值。由表2可知，对于Sphere函数和Rastrigin函数，IFA算法搜索到的最优值、最差值和平均值均更加接近于测试函数本身的最优值0，最优值有?
；Step8：输出全局极值点和最优个体值。3仿真实验及分析为了检验IFA算法的有效性，将基本FA算法和IFA算法通过测试函数进行对比分析。在matlabR2016a，windows10系统下进行测试.萤火虫数量n=25，最大迭代次数为100，α=0.5，βmin=0.2，γ=1。IFA算法和FA算法均独立运行100次，测试函数见表1。图1-图6为测试函数迭代曲线图，表2为两种算法搜索到的最优值情况统计表。表1测试函数图1Sphere函数迭代曲线图图2Rosenbrock函数迭代曲线图图3Rastrigin函数迭代曲线图图4Ackley函数迭代曲线图图5Griewank函数迭代曲线图图6Zakharov函数迭代曲线图通过分析，容易看出改进后的IFA算法均明显优于基本FA算法，本文展示的为迭代次数为100次的两算法迭代曲线对比图像，发现基本FA算法对以上6种常用的测试函数均陷入了局部最优，其中Sphere函数的效果明显更优，而已知Rosenbrock函数是一个非凸的单峰函数，收敛于全局最优点的概率较低，可以看出改进后的算法对该函数的收敛速度有较大改善。而Rastrigin函数、Ackley函数、Griewank函数、Zakharov函数均为多峰函数，收敛速度和收敛精度也有了明显改善，这些都说明了IFA算法比FA算法拥有更快的收敛速度，具有更强大的全局搜寻能力。表2两种算法搜索到的最优值情况在表2中，最优值、最差值和平均值分别表示两种算法在独立运行100次后搜索结果中最好的一次、最差的一次和平均值。由表2可知，对于Sphere函数和Rastrigin函数，IFA算法搜索到的最优值、最差值和平均值均更加接近于测试函数本身的最优值0，最优值有?
【参考文献】：
期刊论文
[1]萤火虫算法结合人工势场法的机器人路径规划[J]. 李丽娜,郭永强,张晓东,卢媛,徐攀峰. 计算机工程与应用. 2018(20)
[2]基于维度变化的萤火虫优化算法[J]. 张宇航,项铁铭,王建成. 工业控制计算机. 2017(03)
[3]一种基于多种群学习机制的萤火虫优化算法[J]. 符强,童楠,赵一鸣. 计算机应用研究. 2013(12)
本文编号：2981954
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2981954.html
