基于分层学习的改进PSO算法求解复杂优化问题
2021-05-26白晓慧何小娟孙超利张国晨
太原科技大学学报 2021年3期
关键词:优化
白晓慧,何小娟,孙超利,张国晨
(太原科技大学 应用科学学院,太原 030024)
粒子群算法(PSO)[1]作为最重要的进化算法之一,目前已被应用于各种优化问题的求解中,取得了较好的效果[2],但是在求解大规模优化问题中,PSO存在过早收敛、易陷于局部最优及种群多样性丢失等问题。为了提高PSO求解大规模优化问题的效率,学者们在PSO中引入协同进化策略(CC)、局部搜索策略以及多种群策略等方法。
协同进化策略是由Potter在1997年提出的方法[3],该策略通过分而治之的方法解决大规模优化问题。Li 等人在2009年提出了一种基于协同进化的粒子群优化算法(CCPSO)[4],该算法将决策变量随机分组协同进化,但是随机分组不能精确地将相关变量分到同一组导致算法的优化性能较差。李晓东等人提出一种自动分组的法(DG)[5],该方法根据决策变量的相关性将决策变量分组,但是在求解决策变量的相关性时会花费大量的评价次数。文献[6]将邻域策略引入PSO中,使得每个粒子都向邻域最优值学习而不是向全局最优值学习。文献[7-8]将多种群策略引入PSO中,该算法把种群分为多个子种群分别进行优化,有效提高了PSO的搜索能力。2015年,程然和金耀初将社会学习机制引入PSO中,提出了社会学习粒子群算法(SLPSO)[9].虽然SLPSO提高了PSO的优化性能,但在解决大规模优化问题时仍然存在多样性缺失、收敛速度慢等缺点。针对该不足,本文引入分层学习策略与贡献值策略对SLPSO进行改进,进一步提高PSO求解大规模优化问题的性能。……
登录APP查看全文
