双层协同进化克隆选择算法及其应用

发布时间：2021-04-11 10:44

　　为解决克隆选择算法收敛速度慢、收敛精度低等问题,提出了双层协同进化克隆选择算法,该算法的每一层使用不同的进化方案进行寻优搜索,并通过信息共享实现了层间的协同进化,形成层内竞争与层间协作的进化模式.通过构建基于多种进化策略的混合协同进化机制,实现了不同进化策略在优化过程中的优势互补与信息增值,达到有效平衡算法的全局探索与局部开发的目的,同时也较好避免了算法的早熟收敛问题.用10个标准测试函数来验证所提出算法的可行性与有效性,仿真实验结果表明:相比克隆选择算法及其两个改进的算法,本文提出的优化算法具有全局搜索能力强、稳定性好、收敛速度快、收敛精度高等优势,且测试函数维度的增加对本文算法的收敛性能影响不大,其优势更加凸显.针对混沌系统控制与同步中的系统参数估计问题,以Lorenz混沌系统的参数估计为例,进行了未知参数估计的数值仿真,结果显示本文算法实现了混沌系统参数的高精度估计,是一种有效的混沌系统参数估计方法. 

【文章来源】：哈尔滨工业大学学报. 2019,51(11)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

算法进化模型Fig．1Algorithmicevolutionmodel

分别为30维、100维的情形．本文算法的种群规模m=30，大系数β为0．5，最大迭代次数tmax=100，各测试函数独立重复实验30次．将BCECSA算法的实验结果与CSA、FDCSA［15］及MSHCSA［17］算法的寻优结果进行对比，实验数据如表3所示．其中，CSA和FDCSA算法的数据来源于文献［15］;MSHCSA算法的种群规模为m=6*D，最大迭代次数tmax=800，其余参数设置与参考文献［17］相同．BCECSA算法的部分函数平均寻优收敛曲线如图2所示(为了便于收敛曲线的显示和观察，将f10以外的其余函数平均适应值取以10为底的对数)．图2部分函数的收敛曲线Fig．2Convergencegraphsonsomefunctions·871·哈尔滨工业大学学报第51卷

．混沌系统的参数估计一般以系统结构已知为前提，则估计系统为Y·=f(Y，X0，θ)．(14)式中:Y=［y1，y2，…，yn］T为估计系统的状态变量，θ为系统参数θ0的估计值．定义估计系统与原系统的状态误差向量为E=［e1，e2，…，en］T，其中，e1=y1－x1，e2=y2－x2，…，en=yn－xn．参数估计问题本质上是以式(15)为优化目标的寻优问题．混沌系统参数估计的原理如图3所示．minJ=min∫τ0t(|e1|+|e2|+，…，+|en|)dt．(15)图3混沌系统参数估计原理Fig．3Parameterestimationmodelforchaoticsystems3．2仿真及分析以典型的Lorenz混沌系统为实验对象，考虑最为复杂的3个系统参数都未知的情形．Lorenz系统的数学模型如下x·=－a(x－y);y·=bx－xz－y;z·=－cz+{xy．(16)当系统参数取值为a=10、b=28、c=83时，系统(16)处于混沌状态．则估计系统为·081·哈尔滨工业大学学报第51卷

【参考文献】：
期刊论文
[1]基于循环配送策略的汽车装配线物料配送调度方法[J]. 周炳海,谭芬.  东北大学学报(自然科学版). 2018(03)
[2]基于人工免疫克隆选择算法的无人机三维航迹规划[J]. 武健,舒健生,李亚雄,苏国华,何艳萍.  系统工程与电子技术. 2018(01)
[3]模糊非基因信息记忆的双克隆选择算法[J]. 宋丹,樊晓平,文中华,黄大足,屈喜龙.  电子与信息学报. 2017(02)
[4]混沌云克隆选择算法及其应用[J]. 张英杰,赵芳芳.  湖南大学学报(自然科学版). 2014(03)



本文编号：3131109