动态学习混沌映射的粒子群算法

发布时间：2021-07-07 08:39

　　传统粒子群优化算法（PSO）对社会认知部分与自我认知部分都采用恒定学习常数,一定程度上限制了种群全局协调能力。在算法收敛后期种群多样性丧失而导致全部个体收敛于搜索空间中的某一点,这易诱发早熟现象。针对这种缺陷提出一种动态学习混沌映射的粒子群优化算法（VLCMPSO）。在算法初期迭代中应多考虑自身记录的最佳点,在算法后期应快速向种群最佳点收敛,因而设计一种进行协调的动态学习因子。为克服早熟现象,判断种群多样性方差低于设定阈值时,以混沌映射的方式将该代最优个体位置更新且以新的方式进行优化操作。经实验证明新算法在收敛速度与精度上都具有更好的性能。 

【文章来源】：计算机应用研究. 2019,36(05)北大核心CSCD

【文章页数】：4 页

【部分图文】：

不同维度算法相互比较表4新算法在不同收敛精度下的优化进程函数精度VLCMPSO:1E－05VLCMPSO:1E－10

?但随着函数维数逐渐变高，探索解的环境变复杂，求解精度会有所降低，尤其是寻优的速度会大打折扣。此类函数实验的重点应是验证改进算法对收敛速度以及局部勘探能力的提升程度。由图1可知，VLCMPSO算法在1000次迭代中5次跳出局部限制，具有更好的抑制早熟现象的能力。从收敛精度以及速度方面验证该算法的正确性以及高效性。图2中VLCMPSO虽然在第200次迭代后也出现停滞，但前200次迭代中保持种群多样性可具有强的全局优化能力，从速度方面优于PSO精度也略有提升。图1sphere函数迭代进化曲线图2rosenbrock函数迭代进化曲线·0231·计算机应用研究第36卷

?但随着函数维数逐渐变高，探索解的环境变复杂，求解精度会有所降低，尤其是寻优的速度会大打折扣。此类函数实验的重点应是验证改进算法对收敛速度以及局部勘探能力的提升程度。由图1可知，VLCMPSO算法在1000次迭代中5次跳出局部限制，具有更好的抑制早熟现象的能力。从收敛精度以及速度方面验证该算法的正确性以及高效性。图2中VLCMPSO虽然在第200次迭代后也出现停滞，但前200次迭代中保持种群多样性可具有强的全局优化能力，从速度方面优于PSO精度也略有提升。图1sphere函数迭代进化曲线图2rosenbrock函数迭代进化曲线·0231·计算机应用研究第36卷

【参考文献】：
期刊论文
[1]结合质心思想和柯西变异策略的粒子群优化算法[J]. 吕立国,季伟东.  计算机应用. 2017(05)
[2]基于逐层演化的群体智能算法优化[J]. 张水平,王碧,陈阳.  工程科学学报. 2017(03)
[3]凿岩机器人钻臂定位控制交叉精英反向粒子群算法[J]. 黄开启,陈荣华,丁问司.  控制理论与应用. 2017(03)
[4]基于自适应搜索的免疫粒子群算法[J]. 张超,李擎,王伟乾,陈鹏,冯毅南.  工程科学学报. 2017(01)
[5]全局信息引导的改进粒子群优化算法[J]. 彭建新,詹志辉.  小型微型计算机系统. 2016(07)
[6]动态搜索空间的粒子群算法[J]. 张水平,王碧.  计算机应用研究. 2016(07)
[7]基于非均匀变异和多阶段扰动的粒子群优化算法[J]. 赵新超,刘国莅,刘虎球,赵国帅.  计算机学报. 2014(09)
[8]均匀搜索粒子群算法[J]. 吴晓军,杨战中,赵明.  电子学报. 2011(06)



本文编号：3269315