积分商城

最新搜索： altium Designer 20 电路设计与仿真从入门到精通 CH340 排插 入门教程 canopen TMC5160
您现在的位置是：首页 > 技术资料 > 区域分割的自适应变异粒子群算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

区域分割的自适应变异粒子群算法

更新时间：2019-12-24 16:23:26 大小：233K 上传用户：zhiyao6查看TA发布的资源 标签：自适应变异粒子群 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

为了提高粒子群算法(PSO)的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法(RSVPSO).算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.


部分文件列表

文件名 大小
区域分割的自适应变异粒子群算法.pdf 233K

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
8
第 期  
Vol． 45 No． 8  
Aug． 2017  
电
子
学
报
2017  
8
年 月  
ACTA ELECTRONICA SINICA  
区域分割的自适应变异粒子群算法  
1，2  
1
1
2
2
，
，
，
，
陈侃松 阮玉龙 戴 磊 兰智高 邵建设  
( 1．  
，
430062; 2．  
， 438000)  
黄冈师范学院电子信息学院 湖北黄冈  
湖北大学计算机与信息工程学院物联网工程研究所 湖北武汉  
:
( PSO)  
，
的收敛性及多样性 提出一种基于区域分割的自适应变异粒子群算法  
( RS-  
摘 要  
VPSO) ．  
为了提高粒子群算法  
，
，
;
算法采用区域分割的思想 利用粒子间信息交叉 使粒子搜索区间快速缩小 同时在迭代后期与自适应变异策  
，
，
．
略相结合 提高粒子跳出局部最优陷阱的能力和增强粒子多样性 达到寻优的目的 将所提出的算法应用于 个测试  
8
，
，
，
函数 并与精英免疫克隆选择的协同进化粒子群等算法进行比较 结果表明 新算法在收敛速度 搜索精度及寻优效率  
、
．
等方面有较大提高  
:
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
区域分割 信息交叉 自适应变异 多样性  
:
TP18  
:
A
:
0372-2112 ( 2017) 08-1849-07  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 08． 007  
文献标识码  
文章编号  
电子学报  
Regional-Segmentation Self-Adapting  
Variation Particle Swarm Optimization  
1，2  
CHEN Kan-song ，RUAN Yu-long ，DAI Lei ，LAN Zhi-gao ，SHAO Jian-she  
( 1． Institute of Internet of Things，School of Computer Science and Information Engineering，Hubei University，Wuhan，Hubei 430062，China;  
1
1
2
2
2． School of Electronic Information，Huanggang Normal University，Huanggang，Hubei 438000，China)  
Abstract: To improve convergence and diversity of particle swarm optimization( PSO) ，an improved PSO which called re-  
gional-segmentation self-adapting variation particle swarm optimization ( RSVPSO) algorithm is introduced． Regional-segmenta-  
tion is adopted in the algorithm，using information cross between particles，narrow search region quickly; combining with self-a-  
dapting variation strategy in late iterations at the same time，improved capacity of jumping out local optimum trap and enhanced  
the diversity of particles，reach the goal of optimization． The proposed algorithm is applied to eight test functions and compared  
with the elite immune clonal selection co-evolutionary particle swarm optimization and so on． The results show that the proposed  
algorithm has considerable improvement in the convergence speed，search accuracy，optimum efficiency and so on．  
Key words: regional-segmentation; information cross; self-adapting variation; diversity  
［3］  
． Lovbjerg  
，
提出多子群策略 将群体划分成多个  
索能力  
1
引言  
，
子群分别进行优化搜索 避免所有粒子收敛于同一局  
［1］  
［4］  
PSO  
Kennedy  
1995  
，
年提出的 是  
．
算法是由  
等人于  
部极值点 文献 将动态语境协作的思想引入粒子群  
算法中 有效地提高了算法收敛精度 ［5］用量子行为  
． 、  
一种典型的群体智能寻优算法 因其具有概念简单 参  
，
． Li  
，
来引导粒子运动 使算法开销得以大大减少  
．
，
数少和收敛速度相对较快的优点 已被广泛应用于工  
［6］将遗传算  
2
第 类是与其他算法的结合  
． Angeline  
．
程实践和函数优化等领域 但其在进化后期存在收敛  
PSO  
，
中 有效提高了算法的收敛  
法的选择操作引入到  
［7］  
性
，
速度慢以及易陷入局部最优而导致早熟的不足 特别  
． Xin  
PSO  
，
结合 更新两种  
等人将差分进化算法与  
．
是对于高维多峰等复杂函数的寻优 为了改进这些不  
［8］  
， ．  
算法被选中的概率 提高了算法的执行效率 周剑波  
，
足 国内外研究学者从不同角度与机理对算法进行了  
PSO  
， ，  
中 加快了粒子运动 提高了  
等将虚拟力算法引入  
．
改进 主要可分为以下两类  
:
［2］等人提出基  
Shi  
．
算法收敛速度  
1 ．  
第 类是对算法本身的改进 如  
，
于线性惯性权重的改进粒子群算法 在速度项前引入  
2
PSO  
标准  
算法  
，
线性递减惯性权重 以平衡算法的全局探测和局部搜  
PSO  
:
D
算法数学描述为 在一个 维搜索区域  
标准  
: 2016-03-21;  
: 2016-07-22; :  
责任编辑 蓝红杰  
收稿日期  
修回日期  
:
( No． 2015BAK03B02)  
基金项目 国家科技支撑计划  
1850  
2017  
电
子
学
报
年
(
)
N
，
D
，
欧氏距离进行排序 以某一欧氏距离  
( e·f  
，
f
解空间 内存在 个粒子 每个粒子被视为 维搜索空  
其中 为  
ave  
ave  
， ，  
间的一个搜索个体 描述粒子状态的参数有两个 分别为  
)
，
:
粒子适应值的平均值 为界 将粒子区域分成两部分  
．
: ，  
i
j
．
界限内区域与界限外区域 界限内区域为一群较优粒  
速度与位置 其中速度可表示为 其中 和 分别表示粒  
i
j
;
: X = ( x ，x ，  
，
子 界限外为一群较劣粒子  
;
子 的速度在 维上的分量 位置表示为  
i
i1  
i2  
…，x ，…，x ) ，  
( 2)  
，
从较优粒子中随机选择两个粒子 进行交叉操  
粒子根据自身的经验和群体经验来指导  
”， pbest，  
ij  
iD  
“
自己的 飞行 个体历史最优表示为 群体历史最优  
，
作 即将两粒子的速度和位置按一定权重比例进行交  
gbest．  
:
，
叉 生成一个新粒子的速度及位置信息  
;
记为  
粒子速度与位置分别按下式更新  
v ( t + 1) = v ( t) + c r ( pbest ( t) － x ( t) )  
ω
( 3)  
( 4)  
;
用新粒子的信息取代一个较劣粒子的信息  
ij  
ij  
1
1
ij  
ij  
+ c r ( gbest ( t) － x ( t) )  
( 1)  
( 2)  
( 2) ( 3)  
执行操作 和 直到所有较劣粒子被取  
2
2
g
ij  
x ( t + 1) = x ( t) + v ( t + 1)  
，
代 从而形成新的种群  
;
ij  
ij  
ij  
，t  
，c  
，c  
( 5)  
( 1) ～ ( 4) ， ，  
通过不断随机交叉  
其中 是迭代次数 为自身加速常数 为全局加速  
反复执行操作  
1
2
，
常数 均在  
［0，2］ ; r  
r
［0，1］  
，
．
间 和 是  
之间的随机数 ω  
多次分割搜索区域  
1
2
，
为惯性权重 一般取值在  
［0． 1，0． 9］  
．
［9］  
之间 文献 论证  
:
其数学描述如下  
:
V = aV + ( 1 － a) V  
( 6)  
( 7)  
了算法满足收敛性的条件为  
i
j
k
1 － ＞ 0  
ω
X = aX + ( 1 － a) X  
i
j
k
( 3)  
{
区域分割的自适应变异粒子群算法  
2
+ 2 ＞ c r + c r  
1
，V  
V
j
k
ω
其中 和 为随机选择的两个较优粒子 和 的速  
1
2
2
j
k
，V  
i
，a  
，
示粒子位置 意义与 对应类似 以一维搜索区域为例  
， ［0，1］  
． X  
度 为新粒子 的速度 为常数 在  
之间 表  
i
3
，
V
．
3． 1  
惯性权重的设计  
1
其分割原理如图 所示  
:
，
在每次迭代中 定义每个粒子历史最优位置与全  
L ，  
i
j
i
局最优位置的欧氏距离为  
其中 和 分别为第 次  
ij  
j
， L  
:
迭代中的第 个粒子 则 的表达式为  
ij  
D
2
L
=
( g p )  
( 4)  
ij  
∑
k－ jk  
k = 1  
槡
，D  
其中 表示搜索空间维度  
，g  
p
和 分别表示全局最优  
jk  
k
k
j
k
位置在 维上的分量和第 个粒子历史最优位置在 维  
．
上的分量 改进惯性权重表示如下  
:
Lij － Lmax  
t
i
Lmax  
= (  
－
) · ·e  
max  
+
ω
min  
( 5)  
ω
ω
ω
ij  
max  
min  
t
，
其中 ω 和ω 为  
0． 9 0． 4，L  
和
表示搜索区间的所有  
max  
min  
max  
L － L  
ij  
max  
．
粒子欧氏距离的最大值 显而易见  
: － 1  
0，  
≤
≤
L
max  
Lij － Lmax  
，［－ a ，a ］  
，
其中 为一维搜索空间边界 经过交叉后粒子集  
1
1
1
Lmax  
e
1， ( 0． 4，0． 9)  
≤ 也即保证了 ω 在 理  
从而推得  
≤
ij  
e
［－ f ，f ］ ，  
［－ a ，a ］，  
再次  
中于 中 从而形成新的搜索区域  
r1  
r1  
2
2
，
想区间 同时也将  
Shi  
线性递减权重优化为指数的非线  
［－ f ，f ］，  
［－ a ，  
交叉后粒子集中于  
a ］，  
形成更小搜索区域  
r2  
r2  
3
，
性递减权重 使粒子速度变化呈现出前期快后期慢的  
［－ f ，f ］……，  
接着交叉后粒子集中于 通过不断循环  
3
r3  
r3  
， ;  
特征 更好地平衡全局搜索与局部挖掘 更为重要的是  
．
迭代分割区域最终使所有粒子均集中于最优解附近 这里  
，
在同一次迭代中 不同的粒子根据其与全局最优位置  
，
的关键是进行交叉的粒子是从较优粒子中随机选择 而非  
，
的欧氏距离不同而被赋予不同的惯性权重 从而在大  
，
两个最优粒子 也即较劣粒子被取代的本质不是向最优粒  
大提高收敛速度的同时也很好地兼顾了发现新的最优  
， ，  
子或者某个特定粒子靠拢 而是向整个界限内靠近 从而既  
，
解的概率 即充分利用粒子的差异性提高搜索效率  
．
．
达到收敛的目的同时也保证了粒子的多样性  
3． 2  
区域分割  
3． 3  
自适应变异  
，
区域分割思想是通过不断分割搜索区域 以达到  
，
基于以上改进 算法的收敛速度及收敛精度均有  
．
快速缩小收敛区域的目的 同时用随机选择来提高粒  
， ．  
大幅提高 但仍有可能陷入局部最优而无法跳出 因此  
，
， 5  
子的多样性 具体操作为以下 步  
:
．
在此基础上做进一步改进 具体策略为  
:
( 1)  
，
在整个搜索区间内 按粒子到全局最优位置的  
，
判断粒子是否集中于极小区域 判断标准为满足  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号