基于精英知识引导的多种群协作粒子群优化算法

TP301; 目的 为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法 提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO).首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精...

Full description

Saved in:
Bibliographic Details
Published in河南理工大学学报（自然科学版） Vol. 43; no. 6; pp. 116 - 128
Main Authors 张伟, 张润雨
Format Journal Article
LanguageChinese
Published 河南理工大学 电气工程与自动化学院,河南 焦作 454000 01.11.2024
Subjects
反向学习
logistic mapping
粒子群优化算法
opposition-based learning
极值扰动
extreme disturbance
elite knowledge
Logistic映射
精英知识
multi-group
多种群
particle swarm optimization algorithm
Online AccessGet full text

Cover

More Information
Summary:TP301; 目的 为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法 提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO).首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精英知识的反向学习和极值扰动策略对粒子施加变异,帮助粒子扩大搜索区域并加强对最优邻域的精细探索.结果 为验证MGCPSO的性能,在30维和100维的基准测试函数上进行了仿真实验研究,结果表明,相比于其他几种改进算法,提出的算法在收敛速度和收敛精度上均有良好表现.结论 多种群协作粒子群优化可以有效避免算法早熟收敛和陷入局部最优,同时可以提高算法的全局搜索能力和局部开发能力.
ISSN:1673-9787
DOI:10.16186/j.cnki.1673-9787.2022070038