具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm,BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。

基于最优交叉的广泛学习粒子群优化

粒子群优化算法实现简单、便于操作,近年来已被广泛应用于资源分配等大规模复杂问题,但算法收敛速度慢、求解精度低等问题也制约着其进一步应用。针对以上问题,引入遗传算法的染色体交叉特性,结合广泛学习粒子群优化算法,提出一种基于最优交叉的广泛学习粒子群优化算法。通过全局最优粒子位置与个体历史最优位置执行最优交叉操作得到更优个体,加快算法收敛速度,提高对问题的求解精度。基准测试函数实验结果表明,该算法相较原算法具有更快的收敛速度和优化精度,同时Friedman检验和Wilcoxon符号秩检验结果表明,基于最优交叉的广泛学习粒子群优化算法具备较好的稳定性,优化精度和收敛速度有了较大提升。