一种邻域重心反向学习的粒子群优化算法

发布时间：2019-11-03 18:12

【摘要】：粒子群优化算法使用反向学习技术可以提高性能.然而,现有的反向学习粒子群优化算法仅采用粒子最大最小边界计算反向解,没有充分利用群体搜索经验.针对此问题,提出了一种邻域重心反向学习策略,使用邻域重心作为参考点计算反向解,充分吸收群体搜索经验的同时保持种群多样性;采用收缩因子拓展反向解搜索范围,增加找到更高质量解的机率.在典型的基准测试函数、CEC’13测试函数和一个实际工程优化问题上进行验证,实验结果说明了邻域重心反向学习策略的有效性和本文算法的竞争力.
【图文】：

第11期周凌云:一种邻域重心反向学习的粒子群优化算法上NCOPSO算法排名都是第一．综合以上实验分析，说明领域重心反向学习策略有效提高了算法的性能．4．3邻域重心反向学习策略有效性分析为了进一步对邻域重心反向学习策略进行分析，构建了重心反向学习粒子群优化算法COPSO，它以粒子群体重心为参考点计算反向解．表3给出了它们在测试集前4组函数上的结果．分析表3的结果可以发现，，NCOPSO算法在21个函数上都胜过COPSO算法，5个函数上与它相当，说明NCOPSO算法采用邻域重心计算反向解，保留了COBL利用群体搜索经验的优点，而且弥补了COBL的多样性不足，能够协调整体性与多2821

电子学报2017年样性之间的平衡，对提高算法收敛能力发挥了积极作用．4．4拓扑结构对算法影响为了分析拓扑结构对算法的影响，分别构建环形拓扑的NCOPSO算法，记为NCOPSO－Ｒing，和正方形拓扑的NCOPSO算法，记为NCOPSO－Square．这两种算法中粒子邻居个数固定，不需要额外增加参数，其它设置与NCOPSO算法相同．表4给出了3种算法在测试集前4组函数上的结果，其中最后一行是3种算法的Fried-man检验排名．分析表4可以看出，不同拓扑结构的NCOPSO算法在大部分函数上的结果差距不大．从表4最后一行的Friedman检验排名上来看，NCOPSO算法略优于其它两个算法．表3NCOPSO算法及变体的实验结果FunctionNCOPSOCOPSOf18．77e－135±1．84e－1344．93e－76±9．21e－76f20．00e+00±0．00e+000．00e+00±0．00e+00f32．54e+01±1．14e－012．56e+01±1．25e－01f43．65e－04±2．54e－041．05e－03±3．10e－04f50．00e+00±0．00e+004．69e－09±1．05e－08f68．88e－16±0．00e+004．44e－15±0．00e+00f70．00e+00±0．00e+000．00e+00±0．00e+00f89．60e+01±2．41e+011．72e+01±5．28e+00f92．27e－13±0．00e+002．27e－13±0．00e+00f103．65e+06±5．43e+062．42e+06±2．22e+06f117．28e+07±6．94e+077．22e+07±8．20e+07f122．05e+04±4．31e+032．38e+04±4．70e+03f132．85e－03±2．56e－042．84e－03±1．94e－04f141．08e+02±6．42e+011．15e+02±6．32e+01f152．93e+01±1．45e+012．90e+01±8．44e+00续表FunctionNCOPSOCOPSOf162．10e+01±6．55e－022．10e+01±3．67e－02f172．34e+01±7．34e+002．90e+01±7．69e+00f18

【相似文献】

相关期刊论文 前10条

1 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期

2 李绍军;王惠;钱锋;;基于模式优选思想改进的粒子群优化算法[J];控制与决策;2006年10期

3 苏俊霞;蔚承建;;基于粒子群优化算法的自动机制设计[J];计算机工程与应用;2007年04期

4 何妮;吴燕仙;;粒子群优化算法的研究[J];科技信息(科学教研);2008年06期

5 贺毅朝;王熙照;曲文龙;;一种具有双重进化空间的扩展粒子群优化算法[J];小型微型计算机系统;2008年08期

6 王正帅;邓喀中;;基于文化框架的随机粒子群优化算法[J];计算机科学;2012年06期

7 冯纪强;温雅;;粒子群优化的模糊特征[J];现代电子技术;2012年23期

8 田亚菲;张范勇;阎石;;基于粒子群优化的细菌觅食优化算法[J];控制工程;2012年06期

9 祁超;张曦;刘焕杰;张荟萃;;云环境下多群体协作粒子群优化框架的研究[J];科技创新与应用;2013年36期

10 高海兵;周驰;高亮;;广义粒子群优化模型[J];计算机学报;2005年12期

相关会议论文 前9条

1 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

2 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年

3 王光辉;陈杰;潘峰;;多种群协同粒子群优化算法求解动态环境优化问题[A];第二十七届中国控制会议论文集[C];2008年

4 杨雅伟;侍洪波;;量子粒子群优化算法及其应用研究[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

5 赵建玉;贾磊;陈月辉;张勇;;基于粒子群优化的信号交叉口交通流预测模型[A];第二十六届中国控制会议论文集[C];2007年

6 赵秋玲;周雅莉;张奇志;;基于粒子群优化的结构振动分布式反馈控制[A];2005年中国智能自动化会议论文集[C];2005年

7 肖龙光;丁晓东;谢集平;;粒子群优化算法的改进[A];第二十三届中国控制会议论文集（上册）[C];2004年

8 龚挺;曹秀英;;基于粒子群优化的伪距定位算法研究[A];第二届中国卫星导航学术年会电子文集[C];2011年

9 钱伟懿;王艳杰;;带自适应压缩因子粒子群优化算法[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年

相关博士学位论文 前10条

1 刘昊;多样性增强的粒子群优化算法及其应用研究[D];北京理工大学;2015年

2 姜毅;动态环境下粒子群优化算法的研究[D];武汉大学;2013年

3 Shafiullah Khan;粒子群优化算法及其在电磁设计中的应用[D];浙江大学;2017年

4 易云飞;基于伊藤随机过程的粒子群优化算法及其应用研究[D];武汉大学;2015年

5 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年

6 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年

7 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年

8 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年

9 刘逸;粒子群优化算法的改进及应用研究[D];西安电子科技大学;2013年

10 高芳;智能粒子群优化算法研究[D];哈尔滨工业大学;2008年

相关硕士学位论文 前10条

1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年

2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年

3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年

4 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年

5 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年

6 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年

7 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年

8 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年

9 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年

10 杨青河;基于优化控制思想的粒子群优化算法改进研究[D];东北大学;2013年

本文编号：2555203