基于逐层演化的群体智能算法优化

被引：7

作者：

张水平

王碧

陈阳

机构：

[1] 江西理工大学信息工程学院

来源：

工程科学学报 | 2017年 / 39卷 / 03期

关键词：

群体智能; 搜索空间; 逐层演化; 早熟;

D O I：

10.13374/j.issn2095-9389.2017.03.020

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为能彻底解决群体智能算法早熟问题的同时保持原算法主体不变且可与现有优化理论协同优化,在前期仿真实验和理论证明的基础上,提出了一种逐层演化的改进策略.利用在原算法中构建基于搜索空间压缩理论的自适应系统,通过逐层的压缩、选择、再初始化的操作,以包括压缩后搜索空间在内的社会信息作为遗传知识,指导寻优过程,从而实现最终解精度的提升、避免早熟问题的出现.对基准函数进行仿真实验可以看出该策略在提升算法精度,增强后期个体活性方面具有良好的表现.

引用

页码：462 / 473

页数：12

共 8 条

[1] 动态搜索空间的粒子群算法 [J].

张水平 ;

王碧 .

计算机应用研究, 2016, 33 (07) :2047-2050+2067

[2] 一种返巢模式下的粒子群优化策略 [J].

王碧 ;

罗潇 ;

张水平 .

江西理工大学学报, 2015, 36 (03) :95-100

[3] 一种基于可变多簇结构的动态概率粒子群优化算法 [J].

倪庆剑 ;

张志政 ;

王蓁蓁 ;

邢汉承 .

软件学报, 2009, 20 (02) :339-349

[4] An adaptive parameter tuning of particle swarm optimization algorithm [J].

Xu, Gang .

APPLIED MATHEMATICS AND COMPUTATION, 2013, 219 (09) :4560-4569

[5] A novel particle swarm optimization algorithm with adaptive inertia weight [J].

Nickabadi, Ahmad ;

Ebadzadeh, Mohammad Mehdi ;

Safabakhsh, Reza .

APPLIED SOFT COMPUTING, 2011, 11 (04) :3658-3670

[6]

Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimization[J] . A. Chatterjee,P. Siarry.Computers and Operations Research . 2004 (3)

[7]

From evolutionary computation to the evolution of things .2 Eiben A E,Smith J. Nature . 2015

[8]

Handling boundary constraints for numerical optimization by particle swarm flying in periodic search space .2 Zhang W-J,Xie X-F,Bi D-C. Congress on Evolutionary Computation . 2004

← 1 →