基于高斯学习多峰延迟粒子群优化算法

发布时间：2021-02-02 06:04

　　为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4种进化状态在算法中引入延迟因子避免局部最优问题。通过对6个单峰多峰测试函数进行仿真实验,验证了GLPSO（Gaussian Learning PSO）算法具有更好的收敛速度,同时验证了GLMDPSO（Gaussian Learning Multimodal Delayed PSO）算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。 

【文章来源】：吉林大学学报(信息科学版). 2019,37(04)

【文章页数】：9 页

【文章目录】：
0 引言
1 粒子群优化算法
    1.1 粒子群算法原理
    1.2 粒子群的研究现状
2 高斯学习策略
3 基于高斯学习多峰延迟粒子群优化算法
    3.1 粒子群的进化状态估计
    3.2 多峰延迟粒子群策略
    3.3 改进算法步骤及流程图
4 仿真实验
    4.1 基准函数的配置
    4.2 算法仿真
    4.3 仿真分析
5 结语


【参考文献】：
期刊论文
[1]基于区域粒子群优化和部分高斯重采样的SLAM方法[J]. 王田橙,蔡云飞,唐振民.  计算机工程. 2017(11)
[2]基于高斯扰动和自然选择的改进粒子群优化算法[J]. 艾兵,董明刚.  计算机应用. 2016(03)
[3]动态高斯变异和随机变异融合的自适应细菌觅食优化算法[J]. 张新明,尹欣欣,冯梦清.  计算机科学. 2015(06)
[4]基于高斯函数递减惯性权重的粒子群优化算法[J]. 张迅,王平,邢建春,杨启亮.  计算机应用研究. 2012(10)
[5]一类简约的粒子群算法[J]. 朱培逸,钟强,徐保国.  小型微型计算机系统. 2012(04)
[6]改进的变参数粒子群优化算法[J]. 赵成业,闫正兵,刘兴高.  浙江大学学报(工学版). 2011(12)
[7]一种基于种群速度的自适应粒子群算法[J]. 张顶学,廖锐全.  控制与决策. 2009(08)

硕士论文
[1]面向单模和多模函数优化的多子群粒子群算法研究[D]. 王芳芳.南京农业大学 2014
[2]粒子群优化算法的几种改进算法及应用[D]. 鲁姝颖.中国矿业大学 2014



本文编号：3014196