混合精英学习的分组APO算法

发布时间：2021-06-17 12:16

　　为解决APO算法只遵循一种运动规则,过程单一,多样性较差,易使算法陷入局部最优的不足,借鉴精英学习策略,提出了分组精英学习策略对APO算法改进。该算法对种群个体进行分组,组内个体单独进化若干代,按适应值排序后选择最好的若干个体作为精英个体,精英个体即为组间个体,进行组间搜索,同时组内个体围绕各自精英个体局部精细搜索寻优,并引入反向学习和种群多样性指标动态调整各组个体的运动趋势,使个体间相似程度增大,寻找潜在的较好解,同时对组内组间不同个体遵循不同的作用力规则,有效地保持种群多样性,通过14个测试函数与APO算法比较,实验结果表明,该算法是有效的,在种群多样性与解的精度上较优。 

【文章来源】：太原科技大学学报. 2019,40(01)

【文章页数】：6 页

【文章目录】：
1 混合精英学习的分组APO算法
    1.1 分组APO算法运动规则集的构造
    1.2 种群多样性策略
    1.3 分组精英学习APO算法思想过程
    1.4 算法实现
2 仿真结果及分析
3 结论


【参考文献】：
期刊论文
[1]交叉反向学习和同粒社会学习的粒子群优化算法[J]. 张新明,康强,王霞,程金凤.  计算机应用. 2017(11)
[2]一种采用种群多样性监控和实时更新策略的粒子群优化算法[J]. 李帅龙,崔国民,陈家星,肖媛.  计算物理. 2017(03)
[3]一种混合拟态物理学优化算法[J]. 夏季,谢丽萍,孙超利.  太原科技大学学报. 2017(01)
[4]自适应多策略粒子群优化算法的研究综述[J]. 喻祥,孙辉,赵嘉,刘祖涵,覃晖.  南昌工程学院学报. 2016(03)
[5]基于扰动的精英反向学习粒子群优化算法[J]. 李俊,汪冲,李波,方国康.  计算机应用研究. 2016(09)
[6]布朗运动模拟退火算法[J]. 傅文渊,凌朝东.  计算机学报. 2014(06)
[7]应用精英反向学习策略的混合差分演化算法[J]. 汪慎文,丁立新,谢承旺,郭肇禄,胡玉荣.  武汉大学学报(理学版). 2013(02)
[8]一种混合一维搜索的矢量拟态物理学算法[J]. 张斐,谢丽萍,曾建潮,谭瑛.  太原科技大学学报. 2011(04)
[9]基于拟态物理学方法的全局优化算法[J]. 谢丽萍,曾建潮.  计算机研究与发展. 2011(05)
[10]一种基于动态邻居和变异因子的粒子群算法[J]. 刘衍民,赵庆祯,隋常玲,邵增珍.  控制与决策. 2010(07)



本文编号：3235176