基于多尺度选择性学习和探测-收缩机制的 PSO 算法

• 作者: 夏学文 戴志锋 桂凌 谢承旺 魏波
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 粒子群算法 早熟收敛 多尺度学习 探测策略
• 年，卷（期）: 2016,（5）
• 所属期刊栏目: 学术论文
• 页码范围: 1090-1100
• 页数: 11页
• 分类号: TP301
• 字数: 7283字
• 语种: 中文
• DOI: 10.3969/j.issn.0372-2112.2016.05.012

摘要

针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点，提出了一种具有多尺度选择性学习和探测-收缩机制的 PSO 算法。在多尺度选择性学习机制中，粒子根据其自身进化状态在拓扑结构、邻居个体、目标变量维等多个尺度上进行选择性学习，提升粒子个体的学习效率；在探测-收缩机制中，算法利用历史信息指导种群最优解进行探测，提高其逃离局部最优的能力，当判断种群历史最优解处于全局最优解附近时，执行空间收缩策略，将种群的搜索空间限定在较小的一个区域，增强算法的开采能力，提高算法的求解精度。通过和其它 PSO 算法在22个典型测试函数的实验对比表明，本算法能有效克服早熟收敛、加快收敛速度、提高求解精度。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谢承旺	华东交通大学软件学院	33	403	9.0	19.0
5	戴志锋	湖北经济学院信息管理学院	17	39	4.0	5.0
6	夏学文	华东交通大学软件学院	17	200	7.0	14.0
10	桂凌	华东交通大学经济管理学院	2	12	2.0	2.0
11	魏波	华东交通大学软件学院	15	55	4.0	7.0