-
题名基于自适应t分布与随机游走的麻雀搜索算法
- 1
-
-
作者
聂方鑫
王宇嘉
-
机构
上海工程技术大学电子电气工程学院
-
出处
《电子科技》
2023年第7期75-80,共6页
-
基金
国家自然科学基金(61703270)。
-
文摘
针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。
-
关键词
麻雀搜索算法
自适应t分布
反向学习策略
随机游走策略
函数优化
局部最优
全局最优
优化算法
-
Keywords
sparrow search algorithm
adaptive t-distribution
opposition-based learning strategy
random walk strategy
function optimization
local optimum
global optimum
optimistic algorithm
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名自适应两阶段分组求解大规模全局优化问题
- 2
-
-
作者
贾欣
王宇嘉
聂方鑫
孙福禄
-
机构
上海工程技术大学电子电气工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2023年第1期14-23,共10页
-
基金
国家自然科学基金项目(61403249)资助.
-
文摘
协同进化是解决大规模全局优化问题的一种有效策略,但是该策略不能对存在相关性变量的大规模问题进行有效分组,最终导致算法性能下降.针对上述问题,提出一种基于自适应两阶段分组的差分协同进化算法.首先,在第1阶段分组中,根据决策变量贡献度,将其分为正促进组和负抑制组;然后,在第2阶段分组中,分别对两组内的变量进行相关性识别,根据相关变量所占比例进行自适应分组;最后,采用差分协同进化算法对分组后的组件进行优化.实验结果表明本文所提方法能够实现对大规模全局优化问题中相关变量的有效分组,提高了算法的收敛性,通过标准大规模优化测试函数集验证了算法的有效性和适用性.
-
关键词
大规模优化问题
两阶段分组
贡献度
相关性
差分协同进化
-
Keywords
large-scale optimization problem
two-stage grouping
contribution
correlation
differential coevolution
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名教与学信息交互粒子群优化算法
被引量:2
- 3
-
-
作者
聂方鑫
王宇嘉
贾欣
-
机构
上海工程技术大学电子电气工程学院
-
出处
《计算机应用》
CSCD
北大核心
2022年第3期874-882,共9页
-
基金
国家自然科学基金资助项目(61703270)。
-
文摘
针对单一种群在解决高维问题中收敛速度较慢和多样性缺失的问题,提出了一种教与学信息交互粒子群优化(PSO)算法。根据进化过程将种群动态地划分为两个子种群,分别采用粒子群优化算法和教与学优化算法,同时粒子利用学习者阶段进行子种群之间信息交互,并通过评价收敛性和多样性指标让粒子的收敛能力和多样性在进化过程中得到平衡。与粒子群优化算法、混合灰狼粒子群算法、重选精英个体的非线性收敛灰狼优化(GWO)算法等多个进化算法在15个标准测试函数的不同维度下进行对比实验,所提算法在多个测试函数上可以收敛到理论最优值,速度相对于其他算法提高了1~6倍。实验结果表明,所提算法在收敛精度和收敛速度上具有较好的效果。
-
关键词
粒子群优化算法
教与学优化算法
种群动态调整
信息交互
归一化方法
多种群协同
-
Keywords
Particle Swarm Optimization(PSO)algorithm
teaching and learning optimization algorithm
dynamic population adjustment
information interaction
normalization method
multi-population collaboration
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名结合特征扰动与分配策略的集成辅助多目标优化算法
被引量:4
- 4
-
-
作者
刘子怡
王宇嘉
孙福禄
贾欣
聂方鑫
-
机构
上海工程技术大学电子电气工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第6期115-123,共9页
-
基金
国家自然科学基金(61403249)。
-
文摘
代理模型利用近似预测代替算法对多目标优化问题的真实评价,大幅减少了算法寻优所需的真实适应度评估次数。为提高代理模型在求解高维问题时的准确性并降低计算开销,提出一种基于特征扰动与分配策略的集成辅助多目标优化算法。将径向基函数网络代理模型与支持向量机回归代理模型作为集成过程中的基模型,降低算法在高维问题上的计算开销。结合特征扰动与基于记忆的影响因子分配策略构建集成代理模型,提高集成准确性。使用集成预测值与不确定信息加权辅助管理集成代理模型,平衡全局搜索与局部探索,增强算法在目标空间中的寻优能力。实验结果表明,该算法在ZDT1~ZDT3和ZDT6测试问题上所得解集的分布性与收敛性相比经典算法更好,并且当决策变量维数增加时,使用集成代理模型相比于Kriging代理模型约减少了90%的适应度评估次数,同时可获得更准确的预测结果。
-
关键词
集成代理模型
多目标优化
特征扰动
历史记忆
不确定信息
-
Keywords
ensemble surrogate model
multi-objective optimization
feature disturbance
historical memory
uncertain information
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-