基于自适应搜索中心的骨干粒子群算法

• 作者: 孟丽 王东风 赵文杰
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 粒子群算法 骨干粒子群算法 概率密度 搜索中心 全局收敛
• 年，卷（期）: 2016,（12）
• 所属期刊栏目: 量子计算、计算机理论与算法
• 页码范围: 2652-2667
• 页数: 16页
• 分类号: TP18
• 字数: 11787字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2016.02652

摘要

该文在对标准粒子群算法(Particle Swarm Optimization,PSO)和骨干粒子群算法(Bare Bones Particle Swarm Optimization,BBPSO)中粒子位置的概率密度函数进行分析比较的基础上,对BBPSO进行了改进,并证明了改进算法以概率1收敛于全局最优解.在改进算法中,主要包括如下策略:(1)基于粒子间适应值的差异,提出一种对粒子位置高斯采样均值的自适应调整策略,分析了其作用机理,提出的搜索中心自适应调整策略增加了粒子分布中心的分散度,减缓粒子在中心的聚集趋势;(2)提出了一种“镜像墙”的越界粒子处理方法,该方法能够大幅度地提高算法找到最优解的概率;(3)粒子在不同的进化时期按不同的拓扑结构选取榜样粒子:算法前期主要采用随机结构以增加群体的多样性,算法后期主要采用全局结构以使得搜索更加精细.将该文提出的算法与多种形式的改进PSO,如GPSO(Global PSO)、LPSO(Local PSO)、FIPS(Fully Informed Particle Swarm)、CLPSO(Comprehensive Learning PSO)、HPSO-TVAC(Hierarchical PSO with Time-Varying Acceleration Coefficients)、APSO(Adaptive PSO)、DMS-PSO (Dynamic Multi-Swarm PSO)、OPSO (Orthogonal PSO)、OLPSO (Orthogonal Learning PSO)、ALC-PSO(PSO with an Aging Leader and Challengers)等,以及BBPSO的标准版本和改进版本,如BBJ2(BBPSO with Jumps)、ABPSO(Adaptive BBPSO)、SMA-BBPSO(BBPSO with Scale Matrix Adaptation)等,对CEC2013标准函数进行测试,对实验数据进行非参数检验,结果表明该文改进算法的综合表现要优于其他算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵文杰	华北电力大学控制与计算机工程学院	47	499	13.0	20.0
2	王东风	华北电力大学控制与计算机工程学院	170	3490	34.0	51.0
3	孟丽	华北电力大学控制与计算机工程学院	6	117	6.0	6.0