局部远亲差分增强的扰动粒子群算法研究

发布时间：2021-01-20 04:55

　　针对粒子群算法在搜索空间内因个体间缺乏交互,致使种群在迭代过程中逐渐丧失基因多样性,从而使算法过早收敛、陷入局部极值且无法跳脱的问题,提出了一种基于局部远亲差分增强的扰动粒子群算法。首先,为保障初始化种群的随机性以及避免因随机初始化导致种群出现局部聚集的状况,提出了半均匀式初始化种群的策略,使初始化种群以整体均匀、局部随机的方式分布在整个解空间;其次,为扩大种群搜索空间,增加可行性解的多样性,提出扰动因子,在速度与位置更新的过程中加以扰动,使惯性权重、学习因子在整体递变的趋势上保持小范围内波动;再次,为将当前种群的寻优信息作用于下一代种群,利用粒子的适应度值提出重构概率,根据重构概率选择适应度值低的个体重新构建中间种群;最后,为进一步丰富种群多样性,保留对种群基因库影响较大的个体基因,提出粒子不相关性,利用粒子不相关性选择与优秀个体基因差异性较大的远亲个体进行差分增强操作。为验证本文算法的有效性,与基本PSO及同类PSO改进算法进行大量仿真实验,结果表明,本文算法采用种群位置与速度的浮动式变化搜索,显著扩大了解的探索空间,并通过与远亲个体的差分增强操作,使中间种群中适应度值高的个体得以... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

差分算法流程

辽宁工程技术大学硕士学位论文表 2.3 粒子群算法实现Table2.3 The Implementation of PSO群算法实现群初始化，根据给定变量初始化范围，对种群进行随机初始化；应度值计算，计算每个粒子位置适应度值；录个体历史最优位置，将粒子适应度值与经历过的最好位置适应度值进行比较当前位置作为粒子历史最佳位置；录全局最优位置，通过比较种群中所有最优个体目标函数的适应度值，找出；式 2.6、2.7 分别更新粒子的速度与位置；不满足停止条件，则转到第二步，否则停止迭代。

IRTPSO算法流程

【参考文献】：
期刊论文
[1]基于自适应变异算子的差分进化算法[J]. 廖雄鹰,李俊,罗阳坤,李波.  计算机工程与应用. 2018(06)
[2]一种动态调整惯性权重的粒子群优化算法[J]. 董红斌,李冬锦,张小平.  计算机科学. 2018(02)
[3]双种群协同下带混沌闪烁机制的萤火虫算法研究[J]. 陈亚峰,张晓明,曹国清,周泽彧,戴波.  西安交通大学学报. 2018(03)
[4]基于局部远亲差分增强的扰动粒子群优化算法[J]. 王永贵,胡彩云,李鑫.  计算机应用. 2018(05)
[5]非线性动态自适应旋转角的量子菌群算法[J]. 刘璐,单梁,戴跃伟,戚志东.  控制与决策. 2017(12)
[6]斐波那契树优化算法全局随机性概率收敛分析[J]. 董易,吕丹桔,王霞,王耀民,李鹏,施心陵.  控制与决策. 2018(03)
[7]基于模糊高斯学习策略的粒子群-进化融合算法[J]. 周伟,罗建军,靳锴,王凯.  计算机应用. 2017(09)
[8]多搜索策略协同进化的人工蜂群算法[J]. 王志刚,尚旭东,夏慧明,丁华.  控制与决策. 2018(02)
[9]区域分割的自适应变异粒子群算法[J]. 陈侃松,阮玉龙,戴磊,兰智高,邵建设.  电子学报. 2017(08)
[10]基于CAS理论的改进PSO算法[J]. 刘举胜,何建佳,李鹏飞.  计算机工程与应用. 2017(05)

硕士论文
[1]差分进化算法的改进及其在目标跟踪的应用研究[D]. 杨笛.南京邮电大学 2017



本文编号：2988418