基于logistic映射的自适应变尺度混沌粒子群算法
发布时间：2020-05-18 14:11
【摘要】：为克服粒子群优化算法(Particle Swarm Optimization,PSO)存在的缺陷,提出基于Logistic映射的自适应变尺度混沌粒子群优化算法(Adaptive Chaos PSO,ACPSO)。采用混沌方法对粒子进行初始化;根据不同状态下粒子适应值的大小对惯性权重采取不同的调整方法;异步变化的学习因子使粒子随着迭代步数的增加,避免粒子发生早熟收敛现象;当粒子陷入局部最优时,对部分较优粒子采用变尺度混沌局部优化策略。为了检验算法的有效性,将该算法与3种有代表性的算法进行比较,结果表明该算法收敛速度快,求解精度高。
【图文】：
第29卷第10期Vol.29No.102017年10月曾艳阳,等:基于logistic映射的自适应变尺度混沌粒子群算法Oct.,2017http:∥www.china-simulation.com2245本文阈值σ=10，ωmax=0.9，ωmin=0.4。实验结果如表2。为了更直观比较PSO、APSO、CPSO、ACPSO四种算法，图1和图2分别为函数f2、f3的寻优曲线。图1函数f2的寻优曲线Fig.1Optimizingcurvesoff2图2函数f3的寻优曲线Fig.2Optimizingcurvesoff3表2中加粗的为本文提出的方法，可以看出，在迭代次数、粒子维度、粒子个数相同的条件下，本文提出的基于logistic映射的自适应变尺度混沌粒子群优化算法的求解精度明显高于其他三种算法。图1为函数f2的寻优曲线，开始时CPSO、ACPSO算法的曲线低于PSO、和APSO，说明混沌初始化方法能够提高该函数初始解的质量。APSO算法求解精度优于PSO算法，说明采用自适应惯性权重粒子群优化算法可以提高算法初期的寻优能力。从第5次迭代开始，ACPSO算法的求解精度明显高于其它3种算法。图2为函数f3的寻优曲线，虽然前16次CPSO算法优于ACPSO算法，但是随着迭代次数的增加，CPSO算法容易快速陷入局部最优，而ACPSO算法能够快速跳出局部最优，从而提高算法的求解精度。表2实验结果Tab.2Experimentalresult函数名算法最小值平均值f1PSO7.14E+035.71E+04APSO2.51E+031.25E+04CPSO8.06E-182.93E-01ACPSO6.82E-227.57E-05f2PSO1.29E+016.75E+02APSO1.34E-011.03E+02CPSO5.92E-155.42E-08ACPSO7.61E-205.48E-11f3PSO4.51E+031.71E+04APSO7.59E+025.81E+03CPSO1.65E-143.56E-08ACPSO7.91E-176.43E-10f4PSO3.14E-027.10E+01APSO8.43E-049.83E-01CPSO7.46E-174.72E-06
第29卷第10期Vol.29No.102017年10月曾艳阳,等:基于logistic映射的自适应变尺度混沌粒子群算法Oct.,2017http:∥www.china-simulation.com2245本文阈值σ=10，ωmax=0.9，ωmin=0.4。实验结果如表2。为了更直观比较PSO、APSO、CPSO、ACPSO四种算法，图1和图2分别为函数f2、f3的寻优曲线。图1函数f2的寻优曲线Fig.1Optimizingcurvesoff2图2函数f3的寻优曲线Fig.2Optimizingcurvesoff3表2中加粗的为本文提出的方法，可以看出，在迭代次数、粒子维度、粒子个数相同的条件下，本文提出的基于logistic映射的自适应变尺度混沌粒子群优化算法的求解精度明显高于其他三种算法。图1为函数f2的寻优曲线，开始时CPSO、ACPSO算法的曲线低于PSO、和APSO，说明混沌初始化方法能够提高该函数初始解的质量。APSO算法求解精度优于PSO算法，说明采用自适应惯性权重粒子群优化算法可以提高算法初期的寻优能力。从第5次迭代开始，ACPSO算法的求解精度明显高于其它3种算法。图2为函数f3的寻优曲线，虽然前16次CPSO算法优于ACPSO算法，，但是随着迭代次数的增加，CPSO算法容易快速陷入局部最优，而ACPSO算法能够快速跳出局部最优，从而提高算法的求解精度。表2实验结果Tab.2Experimentalresult函数名算法最小值平均值f1PSO7.14E+035.71E+04APSO2.51E+031.25E+04CPSO8.06E-182.93E-01ACPSO6.82E-227.57E-05f2PSO1.29E+016.75E+02APSO1.34E-011.03E+02CPSO5.92E-155.42E-08ACPSO7.61E-205.48E-11f3PSO4.51E+031.71E+04APSO7.59E+025.81E+03CPSO1.65E-143.56E-08ACPSO7.91E-176.43E-10f4PSO3.14E-027.10E+01APSO8.43E-049.83E-01CPSO7.46E-174.72E-06
本文编号：2669845
【图文】：
第29卷第10期Vol.29No.102017年10月曾艳阳,等:基于logistic映射的自适应变尺度混沌粒子群算法Oct.,2017http:∥www.china-simulation.com2245本文阈值σ=10，ωmax=0.9，ωmin=0.4。实验结果如表2。为了更直观比较PSO、APSO、CPSO、ACPSO四种算法，图1和图2分别为函数f2、f3的寻优曲线。图1函数f2的寻优曲线Fig.1Optimizingcurvesoff2图2函数f3的寻优曲线Fig.2Optimizingcurvesoff3表2中加粗的为本文提出的方法，可以看出，在迭代次数、粒子维度、粒子个数相同的条件下，本文提出的基于logistic映射的自适应变尺度混沌粒子群优化算法的求解精度明显高于其他三种算法。图1为函数f2的寻优曲线，开始时CPSO、ACPSO算法的曲线低于PSO、和APSO，说明混沌初始化方法能够提高该函数初始解的质量。APSO算法求解精度优于PSO算法，说明采用自适应惯性权重粒子群优化算法可以提高算法初期的寻优能力。从第5次迭代开始，ACPSO算法的求解精度明显高于其它3种算法。图2为函数f3的寻优曲线，虽然前16次CPSO算法优于ACPSO算法，但是随着迭代次数的增加，CPSO算法容易快速陷入局部最优，而ACPSO算法能够快速跳出局部最优，从而提高算法的求解精度。表2实验结果Tab.2Experimentalresult函数名算法最小值平均值f1PSO7.14E+035.71E+04APSO2.51E+031.25E+04CPSO8.06E-182.93E-01ACPSO6.82E-227.57E-05f2PSO1.29E+016.75E+02APSO1.34E-011.03E+02CPSO5.92E-155.42E-08ACPSO7.61E-205.48E-11f3PSO4.51E+031.71E+04APSO7.59E+025.81E+03CPSO1.65E-143.56E-08ACPSO7.91E-176.43E-10f4PSO3.14E-027.10E+01APSO8.43E-049.83E-01CPSO7.46E-174.72E-06
第29卷第10期Vol.29No.102017年10月曾艳阳,等:基于logistic映射的自适应变尺度混沌粒子群算法Oct.,2017http:∥www.china-simulation.com2245本文阈值σ=10，ωmax=0.9，ωmin=0.4。实验结果如表2。为了更直观比较PSO、APSO、CPSO、ACPSO四种算法，图1和图2分别为函数f2、f3的寻优曲线。图1函数f2的寻优曲线Fig.1Optimizingcurvesoff2图2函数f3的寻优曲线Fig.2Optimizingcurvesoff3表2中加粗的为本文提出的方法，可以看出，在迭代次数、粒子维度、粒子个数相同的条件下，本文提出的基于logistic映射的自适应变尺度混沌粒子群优化算法的求解精度明显高于其他三种算法。图1为函数f2的寻优曲线，开始时CPSO、ACPSO算法的曲线低于PSO、和APSO，说明混沌初始化方法能够提高该函数初始解的质量。APSO算法求解精度优于PSO算法，说明采用自适应惯性权重粒子群优化算法可以提高算法初期的寻优能力。从第5次迭代开始，ACPSO算法的求解精度明显高于其它3种算法。图2为函数f3的寻优曲线，虽然前16次CPSO算法优于ACPSO算法，，但是随着迭代次数的增加，CPSO算法容易快速陷入局部最优，而ACPSO算法能够快速跳出局部最优，从而提高算法的求解精度。表2实验结果Tab.2Experimentalresult函数名算法最小值平均值f1PSO7.14E+035.71E+04APSO2.51E+031.25E+04CPSO8.06E-182.93E-01ACPSO6.82E-227.57E-05f2PSO1.29E+016.75E+02APSO1.34E-011.03E+02CPSO5.92E-155.42E-08ACPSO7.61E-205.48E-11f3PSO4.51E+031.71E+04APSO7.59E+025.81E+03CPSO1.65E-143.56E-08ACPSO7.91E-176.43E-10f4PSO3.14E-027.10E+01APSO8.43E-049.83E-01CPSO7.46E-174.72E-06
本文编号：2669845
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2669845.html
