摘要
针对基于云数字特征(期望值、熵值、超熵值)编码的云粒子群算法应用中优化效率低和局部寻优能力较差的问题,提出了两点改进措施:在解空间变换的基础上将局部搜索与全局搜索相结合;依据正态云算子实现粒子的进化学习过程和变异操作。将改进算法应用于多变量函数极值优化问题。仿真结果表明,该改进算法寻优代数小、收敛速度快、效率高,并且具有较好的种群多样性,验证了改进措施的有效性。
针对基于云数字特征(期望值、熵值、超熵值)编码的云粒子群算法应用中优化效率低和局部寻优能力较差的问题,提出了两点改进措施:在解空间变换的基础上将局部搜索与全局搜索相结合;依据正态云算子实现粒子的进化学习过程和变异操作。将改进算法应用于多变量函数极值优化问题。仿真结果表明,该改进算法寻优代数小、收敛速度快、效率高,并且具有较好的种群多样性,验证了改进措施的有效性。
出处
《计算机科学》
CSCD
北大核心
2012年第S3期249-251,255,共4页
Computer Science
基金
甘肃省普通高等学校研究生导师项目(1004-06)资助
关键词
云模型
优化算法
云粒子群算法
函数优化
Cloud model
Optimization algorithm
Cloud particle swarm algorithm
Function optimization
