亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        引入混合蛙跳搜索策略的人工蜂群粒子群算法

        2015-02-27 07:43:08葛洪偉楊金龍袁運浩
        計算機工程與應用 2015年22期
        關(guān)鍵詞:策略

        任 聰,葛洪偉,楊金龍,袁運浩

        江南大學 物聯(lián)網(wǎng)工程學院,江蘇 無錫 214122

        1 引言

        Kennedy和Eberhart[1]于1995年提出了模擬鳥類覓食行為的粒子群優(yōu)化算法(PSO),該算法是繼遺傳算法、蟻群算法之后,被提出的一種基于群體智能的新型優(yōu)化算法。由于PSO算法能夠解決大量非線性、多峰等復雜的優(yōu)化問題,且具有易于實現(xiàn)、參數(shù)較少、并行等優(yōu)點,因此,在科學和工程領(lǐng)域得到了廣泛的應用。近些年來,國內(nèi)外的許多學者致力于粒子群優(yōu)化算法的研究,在算法性能改進和應用上取得了許多重要的成果。Shi和Eberhart[2]引入了慣性權(quán)重來提高算法的收斂速度。Jiao等人提出了在PSO中引入動態(tài)慣性權(quán)重的方法,用于提高算法的收斂速度[3]。Bergh和Engelbreeht[4]提出了一種協(xié)作粒子群優(yōu)化算法,該算法通過不同種群之間的協(xié)作提高收斂精度。Jiang和Etorre[5]將混沌的方法引入到PSO中來避免早熟現(xiàn)象;Fan和 Zahara[6]提出了一種混合單純形的粒子群優(yōu)化算法,用于加快算法的收斂速度。文獻[7]提出了在小生鏡粒子群的最優(yōu)值附近定向地產(chǎn)生粒子來提高算法的探索能力;文獻[8]中引入人工蜂群搜索策略來解決粒子群算法易于陷入局部最優(yōu)的問題。這些算法雖然在一定程度上提高了PSO算法的性能,但在收斂速度和避免早熟方面很難達到平衡,特別是在處理多峰函數(shù)優(yōu)化問題時,收斂速度慢且易于陷入局部最優(yōu)。

        針對標準PSO在解決多峰問題時,易陷入局部最優(yōu)解和算法收斂速度慢的問題,本文提出了一種引入人工蜂群和混合蛙跳搜索策略的粒子群算法(Artificial Bee Colony&Shuffled Frog Leaping Particle Swarm Optimization,ABCSFL-PSO)。首先,使用人工蜂群搜索策略來避免算法陷入局部最優(yōu),再使用蛙跳算法中更新最差適應度粒子的方法,加快算法的收斂速度,提高算法的搜索精度。實驗結(jié)果表明,本文提出的算法能夠顯著提高粒子群算法的優(yōu)化能力和運算速度。

        2 標準PSO算法

        標準PSO算法通過模擬鳥群飛行中的覓食行為,把鳥類個體看作隨機的粒子,通過局部和全局最優(yōu)來引導粒子飛向最優(yōu)解。設在D維空間中,有N個粒子,每個粒子的位置xi=[xi1,xi2,…,xiD],速度為vi=[vi1,vi2,…,viD],其中,i=1,2,…,N,并設第i個粒子搜索到的歷史最優(yōu)位置為pi,整個粒子群搜索到的最優(yōu)位置為pg,則粒子的位置和速度更新公式分別為:

        其中,w為慣性權(quán)值,c1和c2是學習參數(shù),r1和r2為[0,1]之間的隨機數(shù)。

        3 引入蛙跳搜索策略的人工蜂群粒子群算法

        3.1 人工蜂群搜索策略

        Karaboga[9]在2006年提出了一種新的群體智能優(yōu)化算法——人工蜂群優(yōu)化算法(Artificial Bee Colony,ABC)。ABC主要通過模擬蜂群的采蜜行為來實現(xiàn)對求解問題的優(yōu)化,它在解決多峰問題時具有優(yōu)秀的探索能力,其探索能力主要通過式(3)函數(shù)實現(xiàn):

        3.2 混合蛙跳局部搜索策略

        混合蛙跳算法SFLA(Shuffled Frog Leaping Algorithm)是由Eusuff和Lansey[10]于2003年提出的一種基于群體智能的優(yōu)化算法。該算法具有較好的全局探索能力和較快的收斂速度,而且魯棒性強等優(yōu)點。

        混合蛙跳算法搜索是通過如下公式每次更新適應度最差的粒子:

        其中,i∈{1 ,2,…,N} ,Di為移動步長,Xb和Xw分別是種群中適應度最優(yōu)的粒子位置和適應度最差的粒子位置,rand為[0 ,1]之間的隨機數(shù)。

        通過公式可以看出混合蛙跳算法(SFLA)是通過在全局最優(yōu)粒子值引導下更新最差粒子值來搜索最優(yōu)解。

        3.3 ABCSFL-PSO算法

        3.3.1 算法思想

        由于人工蜂群搜索策略能夠有效地避免陷入局部最優(yōu),而混合蛙跳算法通過更新最差適應度粒子來搜索最優(yōu)解。受這兩種搜索機制的啟發(fā),本文將人工蜂群和混合蛙跳算法的搜索策略結(jié)合,綜合混合蛙跳算法在加速收斂和人工蜂群算法在避免局部最優(yōu)方面的優(yōu)勢,提出了ABCSFL-PSO算法。

        3.3.2 算法步驟

        ABCSFL-PSO算法是采用文獻[11]和文獻[12]提出的混沌和反學習的方法進行初始化的,目的在于加快收斂速度和提高精度。算法步驟如下:

        步驟1初始化參數(shù),用混沌和反學習方法初始化粒子。

        步驟2對每個粒子利用標準粒子群算法的公式(1)和(2)更新粒子速度和位置。

        步驟3利用人工蜂群的局部搜索策略的公式(3)在全局最優(yōu)解附近搜索新的解。

        步驟4利用公式(4)和(5)計算適應度最差的Z個粒子,如果更新后粒子適應度改善則更新粒子位置,否則不更新粒子位置。

        步驟5如果滿足要求,則算法執(zhí)行結(jié)束,并輸出最優(yōu)值;否則,轉(zhuǎn)至步驟2繼續(xù)執(zhí)行。

        3.3.3 算法偽代碼

        偽代碼如下所示:

        其中,K和M為固定值,p為最優(yōu)值的位置,pg為全局最優(yōu)粒子位置,vi為粒子速度,pi為第i個粒子的局部最優(yōu)位置,xw為適應度最差的粒子位置。

        4 仿真實驗及結(jié)果分析

        4.1 測試函數(shù)

        為了證明ABCSFL-PSO算法的有效性,本文對文獻[13]中的12個標準測試函數(shù)進行仿真實驗。其中,Sphere函數(shù)和Rosenbrock函數(shù)是單峰函數(shù),其他的均為多峰函數(shù)。表1為這12個標準測試函數(shù)的維數(shù)、搜索范圍和最優(yōu)解。

        表1 測試函數(shù)的維數(shù)、搜索空間和最優(yōu)值

        4.2 實驗及結(jié)果分析

        為了檢驗本文所提出算法的有效性,將本文算法與文獻[8]提出的PSOSW算法以及標準粒子群算法(BPSO)作比較。實驗中,慣性權(quán)重w采用線性遞減策略,最大值為0.9最小值為0,種群大小為30,維度D=50,K=300最大迭代次數(shù)為150 000次,采用Matlab2008a軟件進行仿真實驗。表2為3個算法在12個測試函數(shù)上進行50次獨立實驗并求平均值的結(jié)果,其中,平均適應度表示算法的尋優(yōu)能力,標準方差表示算法的穩(wěn)定性。通過實驗結(jié)果可以得出,在平均適應度指標中,除f7外,其余的測試函數(shù)ABCSFL-PSO算法的搜索精度都高于其他對比算法,特別是在f1,f2,f5,f6這4個測試函數(shù)上搜索精度明顯高于對比算法;在標準方差指標中,本文算法穩(wěn)定性明顯高于對比算法,特別是在f1表現(xiàn)的尤為明顯。

        表2 運行50次的平均適應值和方差

        圖1~6展示了BPSO、PSOSW、ABCSFL-PSO三種算法在不同測試函數(shù)中的收斂曲線對比,以說明本文算法具有更快的收斂速度。從實驗圖可以看出,本文提出的ABCSFL-PSO算法收斂速度最快,不僅在收斂速度上具有明顯的優(yōu)勢,同時也進一步提高了搜索精度。由于篇幅有限,本文只列舉了具有代表性的6個測試函數(shù)對比圖,在其他測試函數(shù)上也具有相似的性能。

        圖1 f1函數(shù)的收斂性比比較

        圖2 f4函數(shù)的收斂性比比較

        圖3 f5函數(shù)的收斂性比比較

        圖4 f6函數(shù)的收斂性比比較

        圖5 f8函數(shù)的收斂性比比較

        圖6 f9函數(shù)的收斂性比比較

        5 結(jié)束語

        由于標準粒子群算法在尋優(yōu)時存在收斂速度慢,易于陷入局部最優(yōu)等問題,本文引入人工蜂群搜索策略和混合蛙跳算法搜索策略的粒子群算法。該算法通過人工蜂群搜索策略增強探索能力,再使用混合蛙跳算法的搜索策略加速收斂并進一步提高收斂精度。仿真實驗表明該算法在收斂速度和探索能力上具有良好的性能,能夠有效解決多峰函數(shù)問題。

        [1]Kennedy J,Eberhartr C.Particle swarm optimization[C]//Proc of IEEE Int Conf on Neural Networks.Perth:IEEE Piscataway,1995:1942-1948.

        [2]Shi Y H,Eberhart R C.A modified partile swarm optimizer[C]//Proceedingsofthe 1998 IEEE International Conference on Evolutionary Computation(CEC98),Anchorage,Alaska,USA,4-9 May 1998:69-73.

        [3]Jiao B,Lian Z G,Gu X S.A dynamic inertia weight particle swarm optimization algorithm[J].Chaos Solitons&Fractals,2008,37(3):698-705.

        [4]Bergh F V D,Engelbreeht A P.A cooperative approaeh to partiele swarm optimization[J].IEEE Trans on Evolutionary Computation,2004,8(3):225-239.

        [5]Jiang C W,Etorre B.A hybrid method of chaotic particle swarm optimization and linear interior for reactive power optimization[J].Mathematics and Computers in Simulation,2005,68(1):57-65.

        [6]Fan S,Zahara E.Hybrid simplex search and particle swarm optimization for unconstratined optimization problems[J].European J of Operational Research,2007,181(2):527-548.

        [7]Qu B Y,Liang J J,Suganthan P N.Niching Particle swarm optimization with local search for multi-modal optimization[J].Information Sciences,2012,197:131-143.

        [8]高衛(wèi)峰,劉三陽,焦合華,等.引入人工蜂群搜索算子的粒子群算法[J].控制與決策,2012,27(6):833-838.

        [9]Karaboga D,Basturk B.A powerful and efficient algorithm for numerical function optimization:Artificial bee colony(ABC)algorithm[J].J of Global Optimization,2007,39(3):459-171.

        [10]Eusuff MM,Lansey K E.Optimization of water distribution network design using shuffled frog leaping algorithm[J].Journal of Water Resources Planning and Management,2003,129(3):10-225.

        [11]Liu B,Wang L,Jin Y H,et al.Improved particle swarm optimization combined with chaos[J].Chaos,Solitons&Fractals,2005,25(2):1261-1271.

        [12]Rahnama S,Tizhoosh H R,Salama M M A.Oppositionbased differential evolution[J].IEEE Trans on Evolutionary Computation,2008,12(1):64-79.

        [13]Liang J J,Qin A K,Suganthan P N,et al.Comprehensive learning particle swarm optimizer for global optimization of multimodal functions[J].IEEE Trans on Evolutionary Computation,2006,10(3):281-295.

        猜你喜歡
        策略
        基于“選—練—評”一體化的二輪復習策略
        幾何創(chuàng)新題的處理策略
        求初相φ的常見策略
        例談未知角三角函數(shù)值的求解策略
        我說你做講策略
        “我說你做”講策略
        數(shù)據(jù)分析中的避錯策略
        高中數(shù)學復習的具體策略
        “唱反調(diào)”的策略
        幸福(2017年18期)2018-01-03 06:34:53
        價格調(diào)整 講策略求互動
        亚洲av无码国产精品久久| 国产午夜亚洲精品不卡免下载| 精品人妻一区二区三区av| 精品粉嫩av一区二区三区| 欧美成妇人吹潮在线播放| 天天做天天爱天天综合网| 四虎国产精品成人影院| 国产精品夜色视频久久| 一本色道久久88加勒比—综合| 日日鲁鲁鲁夜夜爽爽狠狠视频97 | 日韩欧美中文字幕公布| 午夜国产小视频在线观看黄| 国产精品亚洲三级一区二区三区| 狼人香蕉香蕉在线28 - 百度| 人妻无码一区二区| 亚洲中文字幕不卡一区二区三区| 亚洲男人av天堂久久资源| 日韩毛片无码永久免费看| 亚洲视频1区| 少妇高潮太爽了免费网站| av影院在线免费观看不卡 | 97碰碰碰人妻视频无码| 在线国人免费视频播放| 欧美人伦禁忌dvd放荡欲情 | 精品黄色国产一区二区| 三级做a全过程在线观看| 国产亚洲美女精品久久久| 蜜桃成人永久免费av大| 亚洲国产女性内射第一区二区| 无码成人一区二区| 伊人一道本| 久久2020精品免费网站| 五十六十日本老熟妇乱| 亚洲日韩∨a无码中文字幕| 久久久精品国产视频在线| 国产一区二区三区在线观看第八页| 亚洲国产精品ⅴa在线观看| 在线观看亚洲AV日韩A∨| 97女厕偷拍一区二区三区| 国产美女爽到喷出水来视频| 国产亚洲精品第一综合麻豆|