基于维度学习策略的粒子群算法的研究与应用

发布时间：2021-06-09 01:53

　　在传统粒子群优化算法（PSO）中,每个粒子利用个体最优经验和群体最优经验更新自己的速度和位置。这种学习策略简单、容易实现,但是容易出现“震荡”和“前进两步,后退一步”的现象。因此设计有效的学习策略避免上述现象的发生,进而提高搜索效率是PSO研究中亟待解决的问题。为了保护粒子潜在的优良信息,本文提出了一种维度学习策略（DLS）。该学习策略利用每个粒子的个体最优经验发现和整合群体最优经验的潜在优良维度信息。维度学习策略通过粒子的个体最优位置的每一维分别向群体最优位置的对应维度学习来为每个粒子构造学习范例。维度学习仅在能够提高范例适应度的前提下才被正式融入学习范例,因此,维度学习策略能够避免学习范例退化的现象,也避免了“前进两步,后退一步”的现象。在维度学习策略中,由于每个粒子都向gbest学习,虽然具有较强的开发能力,但有可能导致所有粒子都快速向gbest靠拢,使得算法发生早熟收敛现象。为此我们引入了多样性增强机制——综合学习策略。综合学习策略中粒子的每个维度都按照一定随机选择机制向不同粒子的最优经验学习,该策略增强了群体的多样性,有助于粒子跳出局部极值。最后,在维度学习策略和综合学习策略... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

维度学习过程

第 4 章 实验设计与结果分析解，即函数 F1，F3，F7，F8，F10，F13，F15 和 F16。差分算法 L-SHADE 找到了 9 个基准函数的全局最优解，即函数 F1，F4，F5，F7，F8 和 F10~F13。在最终平均排名中，TSLPSO 在 8 个算法中排名第一，L-SHADE 排名第二，其次是 GL-PSO，CLPSO，DLPSO，HCLPSO，OLPSO 和 PSO。作为参考算法，所提出的 DLPSO 取得 5 个基准函数的最优解并排名第五。因此，表 4.3 的数值实验表明了本文所提出的维度学习策略在收敛精度方面的有效性以及引入异构子群体的重要性。


本文编号：3219671