介绍了粒子之间的关系的分析和粒子群优化的收敛速度。其过早收敛是由于粒子速度的减少搜索空间,导致全面崩溃,最终健身群体的停滞。一种改进的算法,引入了一个速度微分进化(DE)战略层次提出了粒子群优化(H-PSO)来提高其性能。德是用来调节粒子速度而不是传统的粒子位置的最优结果几次迭代后并没有改善。基准函数将插图展示了该方法的有效性。
算法解决优化问题不仅包括经典的技术,如动态规划,和,基于和梯度方法,但最近的技术,如metaheuristics [ 许多算法结合各种算法组件,通常来自其他研究领域的算法优化。这些方法通常被称为混合meta-heuristics [ 本文的其余部分组织如下。部分
算法(
在H-PSO [ 在H-PSO,迭代开始的评价每个粒子在当前位置的目标函数。然后,新的速度矢量和粒子的新位置确定。这意味着,对于粒子<我nline-formula>
德(
本节提供了一个分析粒子速度和收敛性之间的关系。
用(
这个递归关系可以写成矩阵向量乘积,这样
矩阵的特征多项式( 请注意,<我nline-formula>
用( 在哪里<我nline-formula>
考虑 方程(
混合H-PSO-DE算法的主要思想是采用DE调节粒子速度而不是传统的粒子位置的最优结果几次迭代后并没有改善。如果群体是处于平衡状态,进化过程随着时间的推移将会停滞不前。阻止这种趋势,如果停滞不前的进化过程的步骤<我nline-formula>
如果(<我nline-formula>
H-PSO-DE算法的程序算法
每个粒子的<我nline-formula>
为每个粒子<我nline-formula>
如果
结束了
确定最佳的继任者<我nline-formula>
最小值<我nline-formula>
如果<我nline-formula>
如果
结束了
移动粒子:<我nline-formula>
在本节中,我们提出一个模拟研究来验证该H-PSO-DE算法。一组常用的测试函数连续函数优化领域的列在附录中。他们是一组曲线函数的困难无约束极小化问题。插图,二维的版本6的景观功能是描绘在图 说明测试函数的二维景观。(一)球面函数;(b)。功能;(c) Rastrigin功能;(d) Griewank功能;(e)《功能;薛佛(f)的F6。
在我们的实验中,H-PSO使用参数值<我nline-formula>
在这篇文章中,一位名叫H-PSO-DE的新方法来解决优化问题,提出了提高性能的H-PSO将德。在H-PSO-DE,为几代进化过程停滞不前时,所有的粒子可能会失去的能力,找到一个更好的解决方案。然后,德是用来调节粒子速度,以避免浪费太多的计算时间搜索,所以H-PSO-DE的搜索效率大大提高。H-PSO-DE与H-PSO测试函数相比,德,PSO-DE。结果表明,H-PSO-DE表现更好。
范围:
。:
Rastrigin:
Griewank:
《护理:
谢弗的F6:
这项工作得到了中国教育部(没有的关键项目。212135),广西自然科学基金(没有。2012 gxnsfba053165),广西教育部门(没有的项目。201203 yb131),广西科技大学博士启动项目(没有。11 z09)。