融入社会影响力的粒子群优化算法

TP399; 目前粒子群优化(PSO)算法及其变体已被证明是有用的方法来求解复杂优化问题.然而,PSO及其大多数变体仅考虑全局最优位置和个体历史最优位置对个体的影响,导致算法的多样性不足,易于陷入局部最优.针对此问题,提出了一种融入社会影响力的粒子群优化(PSOSI)算法.具体而言,该算法设计了三种策略:首先,每个粒子将选择全局最优粒子和最优伙伴粒子作为其"社会学习"的对象,为每个粒子带来更丰富的有用知识;其次,引入引力系数分别描述各榜样带来的影响,在保证最优经验得到分享的同时,增强了种群学习的多样性;此外,每个粒子还在各维度上进一步向其最优伙伴粒子学习,实现从全局到局部的...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 14; no. 11; pp. 1908 - 1919
Main Authors 宋威, 华子彧
Format Journal Article
LanguageChinese
Published 江南大学 人工智能与计算机学院,江苏 无锡 214122 01.11.2020
江南大学 江苏省模式识别与计算智能工程实验室,江苏 无锡 214122%江南大学 人工智能与计算机学院,江苏 无锡 214122
Subjects
社会影响力
引力系数
变尺度搜索
粒子群优化(PSO)
社会学习
Online AccessGet full text

Cover

More Information
Summary:TP399; 目前粒子群优化(PSO)算法及其变体已被证明是有用的方法来求解复杂优化问题.然而,PSO及其大多数变体仅考虑全局最优位置和个体历史最优位置对个体的影响,导致算法的多样性不足,易于陷入局部最优.针对此问题,提出了一种融入社会影响力的粒子群优化(PSOSI)算法.具体而言,该算法设计了三种策略:首先,每个粒子将选择全局最优粒子和最优伙伴粒子作为其"社会学习"的对象,为每个粒子带来更丰富的有用知识;其次,引入引力系数分别描述各榜样带来的影响,在保证最优经验得到分享的同时,增强了种群学习的多样性;此外,每个粒子还在各维度上进一步向其最优伙伴粒子学习,实现从全局到局部的变尺度搜索,增强算法的整体收敛能力.实验对CEC2013测试集的28个基准函数进行测试,并与主流的10种PSO变体和3种非PSO优化算法进行比较,实验结果验证了PSOSI的优越性.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.2006101