检索结果

Select

1. 基于自适应排斥因子的改进粒子群算法

陈明刘衍民

计算机应用 2013, 33 (08): 2269-2272.

摘要（808）

PDF （570KB）（545）

基本粒子群算法在求解复杂的多峰问题时，由于存在较多的局部最优解，算法极易出现早熟现象。为克服这一缺陷，采用蒙特卡洛(Monte Carlo)方法模拟了种群飞行轨迹，得出种群极易陷入局部最优解的原因;在此基础上，通过定义粒子间距离、粒子间最大距离和粒子间平均距离，提出一种自适应控制粒子自身最优位置和种群最优位置间距离的排斥因子(ARF)，来提升种群跳出局部最优的能力。为测试提出策略的有效性，在60次独立运行时，基于ARF的改进PSO算法(ARFPSO)在Rosenbrock，Ackley和Griewank函数上所获得的最好值分别为53.82，2.1203和5.32E-004，都优于其他两种对比算法，这表明ARFPSO能有效地跳出局部最优解；算法的复杂度分析表明引入的策略没有增加计算复杂度。

相关文章 | 多维度评价

Select

2. 基于交叉和变异的多目标粒子群算法

刘衍民

计算机应用 2011, 31 (01): 82-84.

摘要（1084）

PDF （569KB）（1074）

为了保证粒子群算法求得的非劣解尽可能接近真实的Pareto前沿并保持多样性分布. 提出一种基于交叉和变异的多目标粒子群算法(CMMOPSO). 在CMMOPSO算法中, 首先, 识别Pareto前沿的稀疏部分包含的粒子, 并对这些粒子进行交叉操作以增加多样性分布; 其次, 对于远离Pareto前沿的粒子进行变异操作, 以提升粒子向真实的Pareto前沿飞行的概率. 在基准函数的测试中, 结果显示CMMOPSO算法比其它算法有更好的运行效果. 因此, CMMOPSO算法可以作为求解多目标问题的一种有效算法.

相关文章 | 多维度评价

Select

3. 基于自适应动态邻居和广义学习的改进粒子群算法

刘衍民赵庆祯牛奔

计算机应用 2010, 30 (10): 2578-2581.

摘要（1868）

PDF （593KB）（962）

为了克服粒子群算法在求解多峰函数时极易陷入局部最优解的缺陷, 提出一种基于自适应动态邻居广义学习的改进粒子群算法(ADPSO)。在ADPSO算法中, 根据每个粒子邻居中最好运行粒子的状态动态地调整邻居拓扑结构；每个粒子的学习样本包括全局最优粒子、自身最优粒子和粒子邻居中最优运行粒子；并且在新产生的粒子位置上, 加上一个随机位置以增加粒子向全局最优解移动的概率。在基准函数的测试中, 结果显示ADPSO算法比其他PSO算法有更好的运行效果，是求解多峰问题的一种有效算法。