一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.

模拟退火自适应反向无惯性粒子群优化算法

为解决反向粒子群优化算法存在易陷入局部最优、收敛速度过慢的问题,文章提出了一种模拟退火自适应反向无惯性粒子群优化(simulated annealing adaptive opposition-based non-inertial particle swarm optimization,SAONPSO)算法。SAONPSO算法在一般性反向学习方法的基础上,根据模拟退火原理,对每一代粒子群自适应地给出反向策略执行概率,并结合精英差分变异策略对当前最优粒子进行扰动,从而帮助粒子避免陷入局部最优解;为加快粒子收敛速度,SAONPSO算法引入了一种无惯性速度更新公式来引导粒子飞行方向,该公式在对环境信息充分获取的基础上以较少的参数设置获得了较快的收敛速度。上述2种机制的结合应用有效地克服了反向粒子群算法中探索与开发的矛盾;实验结果表明,与其他反向粒子群优化算法相比,SAONPSO算法在解的求解精度与收敛速度上均较优。

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。