论文研究-一种新的位置变异的PSO算法.pdf-其它代码类资源-CSDN下载

论文研究-一种新的位置变异的PSO算法.pdf

所需积分/C币：9 2019-09-13 03:38:53 617KB .PDF
0

收藏
举报

针对标准粒子群优化算法在优化高维复杂函数时易产生早熟收敛的问题，提出一种新的位置变异的PSO算法。为平衡算法的全局和局部搜索能力，新算法按一定概率交替使用随机惯性权重和标准PSO算法的惯性权重；为增强种群多样性和抑制算法早熟，新算法在每次迭代中，对满足一定条件的粒子都进行一种有效脱离局部最优区域的位置变异。最后，通过对5个标准测试函数在60维和90维的性能对比实验证实：新算法收敛精度高，且有效克服了早熟收敛问题。
56 2010,46(28) Computer Engineering and Applications计算机工程与应用 CPSO NPSO-PM NPSO-PM 4 - NPSO-PM -8 500100015002000 00 00015002000 100 迭代次数迭代次数迭代次数图2进化过程图3f进化过程 4f进化过程 CPSO NPSo-PM 500 100015002000 100015002000 迭代次数迭代次数图5f进化过程图6进化过程度要求则称该次运算算法收敛,反之称为不收敛。算法收敛表3方案2实验结果(D=90) 率为收敛次数与函数运行次数的比值。称算法收敛时,满足函数 f2 预设精度的迭代次数的最小值为算法的收敛代数,若最终优最优值2.404E46.693E37.023E+12.326E+26634E4 化结果仍然不满足预设精度要求,则该次收敛代数为指定迭 SPSO平均值3806E-27558E-11.153E+23.257E+22.994E 方差4222E-362042206132.841131.632E-3 代次数。平均收敛代数为各次收敛代数之和与函数运行次数最优值1.524E-51.113E-28.423E+15.273E+21.290E-5 的比值。方案1实验结果见表2。 CPSO平均值1.073E-116531.394E+21.103E+31.779E-1 表2方案1实验结果(D=60) 方差2.045E-163341.542E+37.514E+46200E-2 最优值0 函数 f2 f NPSO-PM平均值2.816E-71.424E61.939E-10 4.773E-7 收敛率(% 方差7.095E-132.033E-116.290E-3 0 3.607E-13 平均收敛代数20002000200020002000 收敛率(%) 平均收敛代数196720020002000194 最优区域搜索,从而提高了算法的收敛速度和收敛率,并且能收敛*/()10010010010100敛到更好的解。 NPSO-PM 平均收敛代数752 286 1477 1549 方案2固定迭代次数,比较三种算法的最优值、平均、4结束语为了解决粒子搜索过程中,某些粒子因陷入早熟收敛而方差。此方案中,测试函数维数为90维,每个函数运行30次。造成搜索失败的问题,采取对可能陷入局部最优的粒子进行位置变异,位置变异的过程中充分考虑了变异粒子的自身和以30次运行结果的平均值和最小值分别作为算法的平均值和种群的信息,同时采取混合惯性权重策略,平衡了算法的全局最优值,并计算相应的方差。实验结果见表3,图2-图6为和局部搜索能力。通过5个测试函数的优化结果表明,该算法 f~f5在D=90时的进化曲线。在寻优精度、速度和稳定性等方面相对于传统的算法均得到 34实验结果及介析了很大的提高。从上述实验结果可以看出,与SPSO、CPSO相比, NPSO-PM 收敛精度高,速度快,并且在进化后期,有效克服了PSO算法参考文献: 的早熟收敛现象。这主要是因为NPSO-PM中的惯性权重策 [1] Kennedy J, Eberhart R C Pacticle swarm optimization[C]/Pro 略能有效控制算法的全局和局部搜索;其次,在每次迭代中 ceedings of IEEE International Conference on Neural Net- 粒子的新的位置变异策略有效避免了其再次轻易陷入局部最 ,1995:1942-1948 优,增强了种群的多样性。这两点使得 NPSO-PM能更好地向 (下转93页)

...展开详情

论文研究

试读 3P 论文研究-一种新的位置变异的PSO算法.pdf