基于分层自主学习的改进粒子群优化算法

发布时间：2021-10-22 01:29

　　针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题,提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先,根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层;然后,根据不同阶层粒子特性,分别采用局部学习模型、标准学习模型以及全局学习模型,增加粒子多样性,反映出个体差异的认知对算法性能的影响,提高算法的收敛速度和收敛精度;最后,将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明,HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升,并且算法执行时间和基本PSO算法执行时间差距在0. 001量级内,在不增加算法复杂度的情况下算法性能更高。 

【文章来源】：计算机应用. 2019,39(01)北大核心CSCD

【文章页数】：6 页

【部分图文】：

各阶层粒子数量变化Fig．1Changeofparticlequantityineachclass算法具体实现过程

忧烤植糠段?阉髂?力;中层粒子处于优劣之间，作为整个群体信息交流的桥梁，兼顾全局与局部搜索能力，保留基本学习模型;下层粒子较差，因此让其以一定概率随机游走，并采用全局学习模型，增强种群多样性。算法迭代初期，种群中大部分粒子距离最优位置较远，因此使上层粒子较少、下层粒子较多，增强算法全局搜索能力;算法迭代后期，粒子逐渐向最优位置靠拢，需对解空间进行细致搜索，因此增加上级阶层粒子，同时减少下级阶层粒子，加强算法局部搜索能力，提高收敛速度。随着算法迭代，各阶层粒子的数量变化如图1所示。图1各阶层粒子数量变化Fig．1Changeofparticlequantityineachclass2．2HCPSO算法具体实现过程PSO算法优化过程中，设当代全体粒子适应度值大小用集合F={f1，f2，…，fN}表示，其中:N代表粒子总数，fi代表的是第i个粒子适应度值大小。根据适应度值大小对全体粒子进行升序排列(此处适应度值越小代表粒子位置越优)，形成新的粒子序列集合X={x1，x2，…，xN}，重新排序后粒子的序号唯一标识粒子的优劣程度，如图2所示。图2粒子分级示意图Fig．2Schematicdiagramofparticleclassification由图2可知，重新排序后，粒子序号越大，表示粒子适应度值越差，因此，将重新排序后的粒子序号作为划分粒子为不同阶层的依据。设定全局最优粒子重新排序后的序号为NXl，low和up分别表示分层的下界和上界，具体更新方式如式(4)和(5)所示:low=countstart+N*(0．5－t/T)3(4)up=countend+N*(0．5－t/T)3(5)其中:countstart和countend分别为N/8

【参考文献】：
期刊论文
[1]基于自适应多种群的粒子群优化算法[J]. 曾辉,王倩,夏学文,方霞.  计算机工程与应用. 2018(10)
[2]基于模糊高斯学习策略的粒子群-进化融合算法[J]. 周伟,罗建军,靳锴,王凯.  计算机应用. 2017(09)
[3]基于多策略协同作用的粒子群优化算法[J]. 李俊,汪冲,李波,方国康.  计算机应用. 2016(03)
[4]基于自主学习和精英群的多子群粒子群算法[J]. 姜海燕,王芳芳,郭小清,庄嘉祥.  控制与决策. 2014(11)
[5]一种遗传算法与粒子群优化的多子群分层混合算法[J]. 金敏,鲁华祥.  控制理论与应用. 2013(10)



本文编号：3450112