具有自适应行为的粒子群算法研究
发布时间：2021-08-27 17:38
粒子群算法（PSO）是一种应用广泛、性能优良的启发式智能优化算法。但是PSO算法具有易陷入局部最小值和全局寻优能力差的缺陷,针对此问题,文章提出了一种基于自适应惯性权重的粒子群算法（AIW-PSO）,该算法能够有效的平衡原粒子位置和飞行速度对新粒子位置的影响度。用12组基准测试函数来验证AIW-PSO算法的寻优性能和收敛精度,并与现有相关算法相比,仿真实验结果表明,AIW-PSO算法的全局搜索能力和寻优精度都有较大的提高。
【文章来源】：统计与决策. 2019,35(02)北大核心CSSCI
【文章页数】：3 页
【部分图文】：
四种算法对f2(30维)的寻优曲线89·10-1010-15当050100150200250300350400450500迭代次数
统计与决策2019年第2期·总第518期方法应用050100150200250300350400450500迭代次数101010810610410210010-2当前最优解的平均值AIW-PSOPSOKHBBO图2四种算法对f8(50维)的寻优曲线从图1中可以看出，AIW-PSO算法对f2函数在30维进行寻优时，有多处拐点出现，证明其跳出局部最优的能力得到了有效增强；进一步也可以观察到AIW-PSO算法收敛速度较其他三种算法更快，收敛精度也有一定的提高。对图2进行分析，对于f8函数（50维），AIW-PSO算法的收敛精度得到了一定幅度的提高，且寻优过程较平稳，稳定性更好。综上所述，AIW-PSO算法对多维复杂优化问题寻优时，相比于其他三种算法全局寻优能力得到了有效改善且稳定性较强。3.4AIW-PSO算法与其它改进PSO算法实验为了进一步评价AIW-PSO算法的优化能力，将AIW-PSO与CLPSO、HPSO-TVAC[8]、LPSO、DMS-PSO[9]和LFPSO进行比较。具体实验参数设定与上文相同，算法均独立运行20次。表3给出了8组测试函数在30维问题上的实验结果，其中，CLPSO、HPSO-TVAC、LPSO、DMS-PSO和LFPSO的实验数据来自于文献[10]。从表3中可以看出，AIW-PSO、CLPSO、HPSO-TVAC、LFPSO算法找到最优解个数分别为5、1、1、1，LPSO和DMS-PSO找到的最优个数为0，且对于f5和f7函数，AIW-PSO算法直接搜索到了理论最优值，对于f1、f4和f6函数，AIW-PSO算法搜索的结果无限接近最优值。实验结果表明，AIW-PSO算法的搜索性能更优，特别是对于多峰函数具有较高的寻优能力和稳定性。综上所述，自适应行为的惯性权值的引入，改善了PSO算法的性能。AIW-PSO算法能够有效解决高维复杂数值优化问题。4结束语针对粒子群算法?
【参考文献】：
期刊论文
[1]基于动态因子和共享适应度的改进粒子群算法[J]. 谭熠峰,孙婷婷,徐新民. 浙江大学学报(理学版). 2016(06)
[2]一种改进的生物地理学优化算法[J]. 鲁宇明,王彦超,刘嘉瑞,Wu Liu. 计算机工程与应用. 2016(17)
[3]基于自适应搜索中心的骨干粒子群算法[J]. 王东风,孟丽,赵文杰. 计算机学报. 2016(12)
[4]基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J]. 程声烽,程小华,杨露. 电力系统保护与控制. 2014(19)
本文编号：3366796
【文章来源】：统计与决策. 2019,35(02)北大核心CSSCI
【文章页数】：3 页
【部分图文】：
四种算法对f2(30维)的寻优曲线89·10-1010-15当050100150200250300350400450500迭代次数
统计与决策2019年第2期·总第518期方法应用050100150200250300350400450500迭代次数101010810610410210010-2当前最优解的平均值AIW-PSOPSOKHBBO图2四种算法对f8(50维)的寻优曲线从图1中可以看出，AIW-PSO算法对f2函数在30维进行寻优时，有多处拐点出现，证明其跳出局部最优的能力得到了有效增强；进一步也可以观察到AIW-PSO算法收敛速度较其他三种算法更快，收敛精度也有一定的提高。对图2进行分析，对于f8函数（50维），AIW-PSO算法的收敛精度得到了一定幅度的提高，且寻优过程较平稳，稳定性更好。综上所述，AIW-PSO算法对多维复杂优化问题寻优时，相比于其他三种算法全局寻优能力得到了有效改善且稳定性较强。3.4AIW-PSO算法与其它改进PSO算法实验为了进一步评价AIW-PSO算法的优化能力，将AIW-PSO与CLPSO、HPSO-TVAC[8]、LPSO、DMS-PSO[9]和LFPSO进行比较。具体实验参数设定与上文相同，算法均独立运行20次。表3给出了8组测试函数在30维问题上的实验结果，其中，CLPSO、HPSO-TVAC、LPSO、DMS-PSO和LFPSO的实验数据来自于文献[10]。从表3中可以看出，AIW-PSO、CLPSO、HPSO-TVAC、LFPSO算法找到最优解个数分别为5、1、1、1，LPSO和DMS-PSO找到的最优个数为0，且对于f5和f7函数，AIW-PSO算法直接搜索到了理论最优值，对于f1、f4和f6函数，AIW-PSO算法搜索的结果无限接近最优值。实验结果表明，AIW-PSO算法的搜索性能更优，特别是对于多峰函数具有较高的寻优能力和稳定性。综上所述，自适应行为的惯性权值的引入，改善了PSO算法的性能。AIW-PSO算法能够有效解决高维复杂数值优化问题。4结束语针对粒子群算法?
【参考文献】：
期刊论文
[1]基于动态因子和共享适应度的改进粒子群算法[J]. 谭熠峰,孙婷婷,徐新民. 浙江大学学报(理学版). 2016(06)
[2]一种改进的生物地理学优化算法[J]. 鲁宇明,王彦超,刘嘉瑞,Wu Liu. 计算机工程与应用. 2016(17)
[3]基于自适应搜索中心的骨干粒子群算法[J]. 王东风,孟丽,赵文杰. 计算机学报. 2016(12)
[4]基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J]. 程声烽,程小华,杨露. 电力系统保护与控制. 2014(19)
本文编号：3366796
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3366796.html
