基于聚集度改进的多过程搜索鸟群算法

发布时间：2022-12-21 21:55

　　针对鸟群算法在寻优后期极易陷入局部最优和过早收敛等问题,引进个体异向觅食过程、飞行转移过程、位置异化过程搜索策略,提出一种基于聚集度改进的多过程搜索鸟群算法。通过引进种群相似度和聚集度的概念来描述鸟群在觅食过程中位置的变化,增加鸟群觅食的可行性搜索范围;在鸟群寻优之后依概率重新随机赋值寻优位置,从而有利于鸟群全局寻优与局部寻优之间的平衡;在模拟鸟群飞行过程中引进学习机制以克服原始鸟群中个体信息交流的单一性,增加鸟群内部信息流动的多样化从而有效提升算法活力,进而改善算法后期易陷入局部最优的状况。实验分析表明,改进方法可以有效提升鸟群的寻优能力、收敛速度和解的稳定性等性能。 

【文章页数】：7 页

【文章目录】：
1 鸟群算法
    1.1 觅食行为
    1.2 警戒行为
    1.3 飞行行为
2 基于聚集度改进的鸟群算法理论
    2.1 相似度和聚集度的定义
    2.2 异向觅食过程
    2.3 飞行转移过程
    2.4 位置异化过程
    2.5 算法流程
3 算法的试验分析
    3.1 测试函数
    3.2 算法参数设置
    3.3 试验结果分析
        3.3.1 优化性能分析
        3.3.2 收敛性分析
4 结论


【参考文献】：
期刊论文
[1]基于改进鸟群算法的微电网并网优化调度研究[J]. 杨文荣,马晓燕,徐茂林,边鑫磊.  电工电能新技术. 2018(02)
[2]改进鸟群算法用于SVM参数选择[J]. 张伟伟,刘勇进,彭君君.  计算机工程与设计. 2017(12)
[3]基于Levy飞行策略的自适应改进鸟群算法[J]. 杨文荣,马晓燕,边鑫磊.  河北工业大学学报. 2017(05)
[4]改进鸟群算法及其在梯级水库优化调度中的应用[J]. 崔东文,金波.  三峡大学学报(自然科学版). 2016(06)
[5]基于鸟群算法的微电网多目标运行优化[J]. 曾嶒,彭春华,王奎,张艳伟,张明瀚.  电力系统保护与控制. 2016(13)

博士论文
[1]粒子群优化算法研究及其应用[D]. 王维博.西南交通大学 2012



本文编号：3722850