粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。

一种基于空间分割搜索策略的自然计算方法

在传统自然计算方法的基础上提出了基于空间分割搜索策略的自然计算方法,该策略利用对维数空间进行3维为一组的分组方式,可以使得高维空间映射到直观的三维空间直角坐标系中,同时对空间分割后的个体进行编号形成分个体,在减少维数的基础上间接增加了粒子数的规模,使个体分布于更广阔的搜索空间,有效增加了种群多样性。算法迭代到一定程度,可通过编号索引将分个体合成原个体,通过适应度值的计算,删除部分较差个体,平衡时间效能,加快运行时间。迭代最后可通过编号索引寻找组别中分个体的全局最优位置,合成最优个体输出适应度值,使得算法有更好的寻优能力。利用马尔可夫链对该策略进行收敛性分析。将空间分割搜索策略应用于粒子群算法、布谷鸟算法和差分进化算法中,并在标准测试函数中验证其性能。实验表明:该策略在收敛速度和寻优能力上均有明显的提升。