无惯性自适应精英变异反向粒子群优化算法

TP181; 为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足,提出一种无惯性的自适应精英变异反向粒子群优化算法(NOPSO).NOPSO算法在反向学习方法的基础上,广泛获取环境信息,提出一种无惯性的速度(NIV)更新式来引导粒子飞行轨迹,从而有效加快算法的收敛过程.同时,为避免早熟现象的发生,引入了自适应精英变异策略(AEM),该策略在扩大种群搜索范围的同时,帮助粒子跳出局部最优.NIV与AEM这2种机制的结合,有效增加了种群多样性,平衡了反向粒子群算法中探索与开发的矛盾.实验结果表明,与主流反向粒子群优化算法相比,NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力....

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 38; no. 8; pp. 66 - 78
Main Authors 康岚兰, 董文永, 宋婉娟, 李康顺
Format Journal Article
LanguageChinese
Published 武汉大学计算机学院,湖北武汉430072 2017
江西理工大学应用科学学院,江西赣州341000%武汉大学计算机学院,湖北武汉,430072%华南农业大学信息学院,广东广州,510642
Subjects
adaptive elite mutation
一般性反向学习
non-inertial velocity equation
粒子群优化
无惯性速度更新式
generalized opposition-based learning
自适应精英变异
particle swarm optimization
Online AccessGet full text
ISSN1000-436X
DOI10.11959/j.issn.1000-436x.2017165

Cover

More Information
Summary:TP181; 为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足,提出一种无惯性的自适应精英变异反向粒子群优化算法(NOPSO).NOPSO算法在反向学习方法的基础上,广泛获取环境信息,提出一种无惯性的速度(NIV)更新式来引导粒子飞行轨迹,从而有效加快算法的收敛过程.同时,为避免早熟现象的发生,引入了自适应精英变异策略(AEM),该策略在扩大种群搜索范围的同时,帮助粒子跳出局部最优.NIV与AEM这2种机制的结合,有效增加了种群多样性,平衡了反向粒子群算法中探索与开发的矛盾.实验结果表明,与主流反向粒子群优化算法相比,NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2017165