郭小雪,贺兴时,罗 东

(西安工程大学 理学院,陕西 西安 710048)

0 引 言

蝙蝠算法(BA)[1]是杨新社教授于2010年基于群体智能[2]提出的一种启发式搜索算法。目前,BA作为一种新型的群智能优化算法,已成功应用于很多领域[3-6],但与其他群智能优化算法一样,也存在收敛速度慢、求解精度低的问题。因此，通过优化算法性能,避免算法出现早熟现象,提高算法自身寻优能力具有重要意义。

目前,蝙蝠算法的研究主要集中在算法的改进以及参数的设置。在算法改进方面,学者们分别从对蝙蝠个体进行不同变异，调整蝙蝠个体速度更新策略以及在蝙蝠学习机制中引入权重策略等不同角度对BA的性能进行了优化改进,提高了BA的求解精度和收敛速度。 这些研究[7-9]中种群规模的设置分别为50,40和30,对种群规模大小的选择缺乏理论指导。

在参数设置方面,文献[10-13]分别从影响蝙蝠音量和脉冲发生率变化的参数,速度和位置的相关算子以及惯性权重的值三方面分析了不同参数对BA性能的影响,并得到最优参数,提高了BA的性能。但是，这些研究均忽略了种群规模对BA收敛速度和求解精度的影响。本文将分别从算法收敛速度、求解精度、全局搜索能力[14]、收敛时间4个方面分析不同种群规模对BA的影响,并对所得结论进行验证。

1 BA性能的评估指标和种群规模

1.1 BA性能评估指标

(1) 收敛速度 在数值分析中,收敛序列向其极限逼近的速度称为收敛速度。用于最优化算法中,被定义为一个迭代序列向其局部最优值逼近(假设计算过程收敛,并能达到最优值)的速度,是评价迭代法性能的一个重要指标。……