基于精英引导的社会学习粒子群优化算法

TP182; 为了改进经典粒子群算法(PSO)过早收敛和全局搜索能力不足的缺点,提出了一种基于精英引导的社会学习粒子群优化算法(ESLPSO).在ESLPSO中,提出了一种分层拓扑结构的搜索方法.这一策略根据粒子的适应度表现将粒子分化为最优的精英粒子和其余的平民粒子,革新了传统种群迭代搜索的更新样本,由此加强了整个种群演化信息的引导作用.采用Cubic混沌初始化赋予了初始粒子群体在搜索空间内的广域覆盖能力.设计了精英粒子引导的社会学习策略,通过增加态叠加的不确定性更好地利用了种群演化的多维信息.在此基础上,结合极值扰动迁移机制激励粒子经历新的搜索路径和区域,增加种群的多样性,平衡种群在搜索过程...

Full description

Saved in:
Bibliographic Details
Published in西北工业大学学报 Vol. 42; no. 5; pp. 948 - 958
Main Authors 齐铖, 谢军伟, 王雪, 冯为可, 张浩为
Format Journal Article
LanguageChinese
Published 空军工程大学 防空反导学院,陕西 西安 710051%滨州职业学院 信息工程学院,滨州 256600 01.10.2024
Subjects
粒子群优化
Cubic混沌
极值扰动
社会学习
social learning
particle swarm optimization
Cubic chaos
extremum perturbation
Online AccessGet full text
ISSN1000-2758
DOI10.1051/jnwpu/20244250948

Cover

More Information
Summary:TP182; 为了改进经典粒子群算法(PSO)过早收敛和全局搜索能力不足的缺点,提出了一种基于精英引导的社会学习粒子群优化算法(ESLPSO).在ESLPSO中,提出了一种分层拓扑结构的搜索方法.这一策略根据粒子的适应度表现将粒子分化为最优的精英粒子和其余的平民粒子,革新了传统种群迭代搜索的更新样本,由此加强了整个种群演化信息的引导作用.采用Cubic混沌初始化赋予了初始粒子群体在搜索空间内的广域覆盖能力.设计了精英粒子引导的社会学习策略,通过增加态叠加的不确定性更好地利用了种群演化的多维信息.在此基础上,结合极值扰动迁移机制激励粒子经历新的搜索路径和区域,增加种群的多样性,平衡种群在搜索过程中的探索和开发能力.基于12 个涵盖单峰、多峰以及旋转多峰的基准测试函数集对所提算法的性能进行了验证.此外,ESLPSO与其他8种PSO改进算法的比较结果表明,ESLPSO在解决不同类型函数方面表现出了优秀的搜索性能,具有高效的求解稳定性和优异的求解结果.
ISSN:1000-2758
DOI:10.1051/jnwpu/20244250948