差分进化引导趋化算子的烟花优化算法

发布时间：2021-09-12 18:36

　　标准烟花算法粒子间交流机制存在缺陷,且对最优点位置不在原点和原点附近时的目标函数求解能力差,对此提出差分进化引导趋化算子的烟花算法（BFA）。利用差分进化算法和趋化算子的局部搜索优势,在每一次迭代的过程中不断寻找这一代的最好个体,通过最优个体信息对局部粒子维度信息进行修改从而使得整个群体得到改善,8个标准和增加位置偏移的测试函数仿真结果表明,BFW相比于原始烟花算法（FA）,粒子群算法和SPSO在寻优精度和寻优速度上有了较好的提高。 

【文章来源】：计算机工程与应用. 2019,55(03)北大核心CSCD

【文章页数】：8 页

【文章目录】：
1 引言
2 烟花算法
    2.1 爆炸策略
    2.2 映射策略
    2.3 高斯爆炸策略
    2.4 选择策略
3 BFA算法
    3.1 趋化算子的改进策略
    3.2 差分进化引导的引导过程
    3.3 BFA算法框架
4 实验设计与分析
    4.1 实验设计
    4.2 实验结果展示及分析
    4.3 BFA算法时间复杂度分析
5 结束语


【参考文献】：
期刊论文
[1]一种动态划分的混合连续域蚁群优化算法[J]. 姜道银,葛洪伟,袁罗.  计算机工程与应用. 2018(07)
[2]具有学习因子的动态搜索烟花算法[J]. 方柳平,汪继文,邱剑锋,朱林波,苏守宝.  计算机科学与探索. 2017(03)
[3]烟花算法求解JSP问题的研究[J]. 包晓晓,叶春明,黄霞.  计算机工程与应用. 2017(03)
[4]烟花算法研究进展[J]. 谭营,郑少秋.  智能系统学报. 2014(05)
[5]带有遗传算子的烟花爆炸优化算法[J]. 曹炬,李婷婷,贾红.  计算机工程. 2010(23)
[6]细菌觅食优化算法的研究与应用[J]. 周雅兰.  计算机工程与应用. 2010(20)
[7]差异演化的实验研究[J]. 谢晓锋,张文俊,张国瑞,杨之廉.  控制与决策. 2004(01)



本文编号：3394737