基于不同学习模型的精英反向粒子群优化算法

粒子群优化算法在求解连续函数优化问题时易早熟收敛、求解精度低,将反向学习策略引入粒子群优化算法,提出基于精英反向学习的粒子群优化算法.算法在进化过程中,依函数评估次数线性递减方式选择维度空间,随机选择全局最优粒子的维度进行反向学习,扩大搜索区域的范围,以此增强算法的全局勘探能力,提高算法寻找最优解的概率.随后,将4种常见的广义反向学习模型引入精英反向粒子群优化算法中,得到4种不同学习模型的精英反向粒子群优化算法.在12个经典测试函数上将上述4种算法进行对比,实验结果表明:虽然不同的反向学习模型形成的算法均比标准粒子群优化算法性能更优,但它们之间的寻优效率、计算精度等方面差异较大.