基于动态参数的人工搜索群算法
150 浏览量
2021-01-12
22:32:52
上传
评论
收藏 201KB PDF 举报
第 34卷 第 9期 控 制 与 决 策 Vol.34 No.9
2019年 9月 Control and Decision Sep. 2019
文章编号: 1001-0920(2019)09-1923-06 DOI: 10.13195/j.kzyjc.2018.0099
基于动态参数的人工搜索群算法
陈堂功
1,2
, 刘 超
1,2†
, 王梦莹
1
, 周小婷
1
, 黄 涛
1
(1. 河北工业大学 省部共建电工装备可靠性与智能化国家重点实验室，天津 300130；
2. 河北工业大学 河北省电磁场与电器可靠性重点实验室，天津 300130)
摘 要: 人工搜索群算法(Artificial search swarm algorithm, ASSA)是受人类士兵通过信息交流完成目标搜索行为
及过程启发而设计的一种仿生智能算法. 针对基本人工搜索群算法中固定参数可能导致算法过早陷入局部最优
解的缺陷,提出一种动态参数改进人工搜索群算法(Improved artificial search swarm algorithm, IASSA). 通过引入全
局权重系数改善侦查行为中搜索群的历史经验位置, 从而加强全局最优个体对整个种群的引导作用; 利用动态协
同参数提高士兵协同行为的搜索概率, 以加强种群之间局部信息交流; 采用动态步长策略提高算法的收敛速度和
收敛精度; 为了检验改进算法的优化性能, 采用 15 个测试函数进行仿真实验. 实验结果表明, 所提出的改进算法可
有效避免早熟现象,在收敛速度和收敛精度上较基本人工搜索群算法和若干同类优化算法有显著提高.
关键词: 仿生智能算法；人工搜索群算法；全局权重系数；动态协同参数；动态步长；函数优化
中图分类号: TP18 文献标志码: A
Artificial search swarm algorithm based on dynamic parameters
CHEN Tang-gong
1,2
, LIU Chao
1,2†
, WANG Meng-ying
1
, ZHOU Xiao-ting
1
, HUANG Tao
1
(1. State Key Laboratory of Reliability and Intelligence of Eletrical Equipment，Hebei University of Technology，
Tianjin 300130，China；2. Key Laboratory of Electromagnetic Field and Electrical Apparatus Reliability of Hebei
Province，Hebei University of Technology，Tianjin 300130，China)
Abstract: The artificial search swarm algorithm (ASSA) is a kind of bionic intelligent algorithm, which is inspired by
the human communicating with each other in search. The fixed collaborative parameter and global weight in the standard
artificial search swarm algorithm easily lead to local convergence and influence the convergence speed. Therefore, this
paper proposes an improved artificial search swarm algorithm (IASSA) by introducing global weight, linearly dependent
synergistic coefficient and dynamic step. The global weight improves the historical experience of the search group in
reconnaissance behavior, so as to strengthen the guiding role of global optimal individual for all population. The dynamic
collaborative parameters are used to improve the search probability of the soldier’s cooperative behavior, so as to enhance
the local information exchange between the populations. The dynamic step strategy is used to improve the convergence
speed and convergence accuracy. The performance of the algorithm is verified on 15 benchmark functions. The results
show that the improved algorithm can effectively avoid the local convergence and significantly improve the solution
accuracy and convergence speed compared with the standard ASSA algorithm and the other three kinds of optimization
algorithms.
Keywords: bionic intelligence algorithm；artificial search swarm algorithm；global weight；synergistic coefficient；
dynamic step；function optimization
0 引
优化设计是工程设计领域永恒的主题. 由于实
际工程会面临很多难以处理的问题, 比如待处理问题
的未知变量很多, 各子问题又存在耦合关系, 传统优
化算法处理这类问题存在一定的局限性. 遗传算法
(Genetic algorithm, GA)、差分进化算法 (Differential
evolution, DE) 、和声搜索算法 (Harmony search, HS)
以及粒子群算法 (Par ticle swarm optimization, PSO)
等仿生智能算法的提出为解决这类问题提供了新的
思路. 目前, 国内外学者对智能优化算法领域进行了
大量的研究和开发: 文献 [1] 模仿鱼群的觅食行为提
出了人工鱼群算法 (Artificial fish swarm algorithm,
AFSA); 文献 [2] 模拟蜜蜂采蜜行为提出了人工蜂群
算法 (Artificial bee colony, ABC); 文献[3] 提出了人工
收稿日期: 2018-01-18；修回日期: 2018-06-07.
责任编委: 张化光.
†
通讯作者. E-mail: liuchao_hebut@126.com.
资源评论
