融合牛顿-最速下降算子的自适应粒子群算法

发布时间：2021-02-01 13:48

　　针对粒子群算法容易陷入局部最优、收敛精度低、后期收敛速度缓慢的问题,将牛顿-最速下降算子、动态惯性权重、影响度决策引入到粒子群的更新中,提出了融合牛顿-最速下降算子的自适应粒子群算法（NSWPSO）.将改进后的算法、标准粒子群算法、自适应惯性权重粒子群算法、线性递减惯性权重粒子群算法同时应用于不同维度的12个测试函数,对搜索结果进行对比分析,T-test差异分析、10维测试函数达到期望值时的寻优率和平均迭代次数分析,可得改进后的算法能够稳定快速准确地搜索到全局最优解. 

【文章来源】：微电子学与计算机. 2020,37(02)北大核心

【文章页数】：7 页

【部分图文】：

函数进阶图

表4 T-test结果 算法 维数 f1 f2 f3 f4 f5 f6 f7 f8 f9 f10 f11 f12 优出数 SPSO 2 1 1 0 0 0 1 1 1 1 1 0 1 6 10 0 0 1 1 0 1 1 0 1 1 0 1 7 AIWPSO 2 1 1 1 1 1 1 1 1 1 1 1 1 12 10 1 1 1 1 1 1 1 1 1 1 1 1 12 LDIWPSO 2 1 1 1 0 1 0 1 0 0 1 1 0 6 10 1 1 1 1 1 1 1 1 1 1 0 1 11从表4可以看出:NSWPSO算法在超过一半的测试函数上优于其余三种算法.特别是在10维测试函数上,NSWPSO算法几乎完全优于AIWPSO算法和LDIWPSO算法,且表中10维优出数大于等于2维优出数.这说明无论是在低维还是高维测试函数上,NSWPSO算法都很优秀,并且随着维数的增加,NSWPSO算法更显优异.

表5 10维时算法的寻优率与平均迭代次数 算法 SPSO AIWPSO LDIWPSO NSWPSO 类别 OR (%) ANOI OR(%) ANOI OR(%) ANOI OR(%) ANOI f1 100 0.91 6 0 13 0 97 0.645 f2 90 0 5.5 0 70 0.025 100 0.52 f3 80 0 12 0 80 0.115 100 0.965 f4 100 0.92 6 0 53 0.22 100 0.86 f5 96.67 0 3.5 0 80 0.12 100 0.96 f6 100 0.975 34 0.4 67 0.095 100 0.76 f7 100 0.865 0 0 10 0 67 0.245 f8 93.33 0 0 0 83 0.295 100 0.935 f9 60 0.775 0 0 37 0 100 0.97 f10 3.33 0 26 0.31 50 0.43 97 0.605 f11 100 0.89 0 0 0 0 100 0.265 f12 0 0 7 0 90 0.95 100 0.95从表5可知:NSWPSO算法达到期望值的寻优率是最高的.12个测试函数中,除去函f1、f7、f10,NSWPSO算法的期望值都达到了100%.这说明NSWPSO算法的可靠程度很好,值得信赖.NSWPSO算法在平均迭代次数方面表现仍然优异.虽然PSO算法在函数f1、f4、f6、f7、f11上优于NSWPSO算法,但是在其余函数上NSWPSO算法表现良好.而且NSWPSO算法在所有测试函数上有优于LDIWPSO算法和AIWPSO算法.综上可知:NSWPSO算法能更快更可靠地达到期望值.

【参考文献】：
期刊论文
[1]具有自适应行为的粒子群算法研究[J]. 丁知平,刘超,牛培峰.  统计与决策. 2019(02)
[2]自适应简化粒子群优化算法及其应用[J]. 张鑫,邹德旋,肖鹏,喻秋.  计算机工程与应用. 2019(08)
[3]粒子群算法结合最速下降法的混合算法[J]. 于海艳,杜晓燕,卫佩佩.  信息工程大学学报. 2018(01)
[4]基于动态加速因子的粒子群优化算法研究[J]. 滕志军,吕金玲,郭力文,王志新,许恒,袁丽红.  微电子学与计算机. 2017(12)
[5]用粒子群算法反求割离井公式中的水文地质参数[J]. 张全兴,常安定.  西北农林科技大学学报(自然科学版). 2009(02)
[6]求解多峰函数的改进粒子群算法的研究[J]. 江宝钏,胡俊溟.  宁波大学学报(理工版). 2008(02)



本文编号：3012880