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

        ?

        具有動(dòng)態(tài)學(xué)習(xí)能力的分層進(jìn)化粒子群優(yōu)化算法

        2021-02-04 06:53:34單志勇徐好好
        軟件導(dǎo)刊 2021年1期
        關(guān)鍵詞:優(yōu)化能力

        徐 超,單志勇,2,徐好好

        (1.東華大學(xué)信息科學(xué)與技術(shù)學(xué)院;2.數(shù)字化紡織服裝技術(shù)教育部工程研究中心,上海 201620)

        0 引言

        粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法1995 年由Kennedy 等[1]提出。粒子群算法由于原理簡(jiǎn)單、容易實(shí)現(xiàn)等優(yōu)點(diǎn),在實(shí)際工程中得到廣泛應(yīng)用[2-4],但是粒子群算法對(duì)于高維函數(shù)問(wèn)題往往不能收斂到全局最優(yōu)點(diǎn),收斂精度不高。針對(duì)這些問(wèn)題,研究人員引進(jìn)多種理論改進(jìn)粒子群算法,集中在算法本身改進(jìn)和與其它算法混合兩個(gè)方面[5-7]。文獻(xiàn)[8]提出一種具有指數(shù)衰減慣性權(quán)重的粒子群優(yōu)化算法,改進(jìn)后的算法收斂精度和收斂速度都得到提升;文獻(xiàn)[9]利用余弦函數(shù)調(diào)整慣性權(quán)重與學(xué)習(xí)因子,增強(qiáng)粒子進(jìn)化的多樣性;文獻(xiàn)[10]將引力搜索算法與動(dòng)態(tài)多種群粒子群算法相結(jié)合,通過(guò)鄰域進(jìn)化策略提高粒子全局搜索能力;Ghasemi 等[11]將學(xué)習(xí)因子與算法迭代次數(shù)線(xiàn)性組合,給予粒子跳躍的學(xué)習(xí)能力,增強(qiáng)粒子跳出局部極值的能力;劉軍梅[12]通過(guò)混沌效應(yīng),使種群數(shù)量隨優(yōu)化過(guò)程變多,保護(hù)種群多樣性;文獻(xiàn)[13]提出一種層次學(xué)習(xí)粒子群優(yōu)化算法,算法進(jìn)化過(guò)程中保留最高層粒子,避免種群多樣性喪失,提高算法的全局收斂能力;Cheng 等[14]將粒子按照適應(yīng)度值進(jìn)行排序,根據(jù)粒子排序的不同調(diào)整粒子學(xué)習(xí)能力,算法在高維函數(shù)問(wèn)題上具有良好的尋優(yōu)性能。

        本文結(jié)合文獻(xiàn)[13]的層次學(xué)習(xí)思想與文獻(xiàn)[14]的動(dòng)態(tài)學(xué)習(xí)能力策略,對(duì)文獻(xiàn)[13]全局收斂能力不足和文獻(xiàn)[14]收斂速度慢的問(wèn)題進(jìn)行改進(jìn),提出一種具有動(dòng)態(tài)學(xué)習(xí)能力的分層進(jìn)化粒子群優(yōu)化算法。首先將粒子按照適應(yīng)度值排序,根據(jù)其適應(yīng)度值將粒子分為多個(gè)層次;然后對(duì)不同層次的粒子選擇不同的進(jìn)化策略,同時(shí)根據(jù)粒子在整個(gè)種群中排序的不同動(dòng)態(tài)調(diào)整粒子的學(xué)習(xí)能力,使高層級(jí)粒子具有精確的搜索能力,低層級(jí)粒子具有較高的空間探索能力,在保證算法全局收斂能力的同時(shí)提高算法收斂速度;最后將本文提出的算法與標(biāo)準(zhǔn)粒子群算法(PSO)、慣性權(quán)重線(xiàn)性遞減粒子群算法(LDWPSO)、余弦學(xué)習(xí)因子粒子群算法(IPSO)與可擴(kuò)展的社會(huì)學(xué)習(xí)粒子群算法(SLPSO)進(jìn)行對(duì)比實(shí)驗(yàn),證實(shí)本文算法性能。

        1 基本粒子群優(yōu)化算法

        隨機(jī)產(chǎn)生含有N 個(gè)粒子的種群,每個(gè)粒子都是D 維向量,用xi=[xi1,xi2,…,xiD]表示,第i個(gè)粒子對(duì)應(yīng)的速度也為D 維向量,用vi=[vi1,vi2,…,viD]表示,其中i=1,2,…,N,粒子更新公式如下:

        其中:w為慣性權(quán)重,c1、c2為學(xué)習(xí)因子,r1、r2為[0,1]之間的隨機(jī)數(shù),pbest(xi)表示第i個(gè)粒子自身經(jīng)歷過(guò)的最優(yōu)位置,gbest表示整個(gè)種群經(jīng)歷過(guò)的最優(yōu)位置。每個(gè)粒子通過(guò)不斷進(jìn)化pbest和gbest來(lái)更新自身的速度與位置,從而尋找到優(yōu)化問(wèn)題的最優(yōu)解[15-17]。

        2 改進(jìn)的粒子群算法

        2.1 算法原理

        2.1.1 排序分層與學(xué)習(xí)策略

        在進(jìn)化過(guò)程中,粒子通常處于不同演化狀態(tài),不同的粒子學(xué)習(xí)能力也不同。為了區(qū)分粒子,根據(jù)適應(yīng)度值將粒子劃分為不同層次。假設(shè)NP個(gè)粒子被劃分為NL個(gè)層級(jí),每個(gè)層級(jí)NL以L(fǎng)i表示(1≤i≤NL)。在分層之前粒子首先按照適應(yīng)度降序排序,較好的粒子屬于較高層級(jí),層級(jí)指數(shù)也較大,L1是最低層,LNL是最高層。每層所含有的粒子數(shù)量大小由LS表示,很明顯,LS=NP/NL。假設(shè)粒子在整個(gè)種群中排名為m,粒子層級(jí)指數(shù)i與m的關(guān)系如下:

        排序分層與學(xué)習(xí)策略如圖1 所示。

        Fig.1 DHEPSO layered algorithm圖1 DHEPSO 算法分層

        2.1.2 進(jìn)化策略

        為避免種群在迭代過(guò)程中過(guò)早喪失多樣性,同時(shí)保證算法收斂速度,本文對(duì)L1~LNL-2、LNL-1、LNL三個(gè)不同范圍層次的粒子采取不同的學(xué)習(xí)與進(jìn)化策略。進(jìn)化策略如下:

        (1)L1~LNL-2層的粒子更新公式如下:

        其中:i=1,2,…,NL-2;j=1,2,…LS;t代表當(dāng)前迭代次數(shù),表示第i層的第j個(gè)粒子,表示第rl1層的第K1個(gè)粒子,表示第rl2層的第K2個(gè)粒子,K1、K2屬于區(qū)間[1,LS]的隨機(jī)整數(shù)。注意:rl1、rl2屬于區(qū)間[i+1,NL]之間的隨機(jī)整數(shù),并且rl1≠rl2。

        pL為粒子對(duì)應(yīng)的學(xué)習(xí)能力,粒子學(xué)習(xí)能力與該粒子在整個(gè)種群中排名負(fù)相關(guān)。粒子學(xué)習(xí)能力計(jì)算公式如下:

        其中,D為粒子維數(shù),m為將粒子適應(yīng)度按照降序排列后該粒子在整個(gè)種群中的排名,α為控制學(xué)習(xí)因子,一般取α∈[0,1.5]。圖2 為NP=100、D=50 時(shí),pL隨m和α的變化曲線(xiàn)。從圖中可以看出,在種群數(shù)量固定,粒子維數(shù)相同情況下,粒子的學(xué)習(xí)能力隨排名的增大遞減,控制學(xué)習(xí)因子α越小,粒子的學(xué)習(xí)能力隨排名的變化程度越大。

        (2)LNL-1層的粒子向LNL層中兩個(gè)不同的粒子學(xué)習(xí),LNL-1層粒子更新公式如下:

        其中:r1,r2,r3為區(qū)間(0,1)內(nèi)的隨機(jī)數(shù),表示LNL-1層的第j個(gè)粒子,為對(duì)應(yīng)速度;代表LNL層中兩個(gè)不同粒子。注意:Q1、Q2屬于區(qū)間[1,LS]之間的隨機(jī)整數(shù),并且Q1≠Q(mào)2。

        Fig.2 Particles learning curve圖2 粒子學(xué)習(xí)能力變化曲線(xiàn)

        (3)LNL層粒子在整個(gè)種群進(jìn)化過(guò)程中起主導(dǎo)作用。為避免整個(gè)種群在進(jìn)化過(guò)程中過(guò)度向全局最優(yōu)粒子學(xué)習(xí),導(dǎo)致種群多樣性快速喪失,在升級(jí)最高層粒子時(shí),保留最高層級(jí)中最優(yōu)的兩個(gè)粒子。LNL層粒子更新公式如下:

        其中:r1,r2,r3為區(qū)間(0,1)內(nèi)的隨機(jī)數(shù),代表第NL層中的第j個(gè)粒子,注意1≤j≤LS-2;代表LNL層中的兩個(gè)不同粒子,M1、M2屬于區(qū)間[j+1,LS]之間的隨機(jī)整數(shù),并且M1≠M(fèi)2。

        2.2 DHEPSO 算法步驟

        DHEPSO 算法步驟如下:①初始化種群數(shù)量NP、層數(shù)NL、控制學(xué)習(xí)因子α、最大迭代次MAX_FES;②計(jì)算所有粒子適應(yīng)度值,全局最優(yōu)位置為x,f(x)為對(duì)應(yīng)的適應(yīng)度值;③將粒子按照適應(yīng)度降序排列,同時(shí)記錄粒子在種群中的排名m;④根據(jù)公式(4)求出粒子對(duì)應(yīng)的學(xué)習(xí)能力pL;⑤根據(jù)m和公式(2)求出粒子對(duì)應(yīng)的層級(jí)指數(shù),將粒子劃分進(jìn)對(duì)應(yīng)層級(jí);⑥根據(jù)公式(3)升級(jí)L1到LNL-2層粒子,如果f(xi,j)<f(x),則令x=xi,j,f(x)=f(xi,j);⑦根據(jù)公式(5)升級(jí)LNL-1層粒子,如果f(xNL-1,j)<f(x),則令x=xNL-1,j,f(x)=f(xNL-1,j);⑧根據(jù)公式(6)升級(jí)LNL層粒子,如果f(xNL,j)<f(x),則令x=xNL,j,f(x)=f(xNL,j);⑨更新全局最優(yōu)位置x和全局極值f(x);⑩如果達(dá)到最大迭代次數(shù)則算法終止,輸出全局最優(yōu)位置和全局極值,否則跳到步驟③。

        3 仿真實(shí)驗(yàn)與結(jié)果分析

        3.1 測(cè)試函數(shù)

        為驗(yàn)證本文算法的正確性,選取4 個(gè)典型測(cè)試函數(shù)[18-20]進(jìn)行仿真對(duì)比實(shí)驗(yàn),測(cè)試函數(shù)公式與搜索范圍如表1 所示。

        3.2 實(shí)驗(yàn)設(shè)置

        實(shí)驗(yàn)硬件環(huán)境為AMD A10-4600M,CPU 為2.40 GHz,內(nèi)存為8 GB,在Matlab 2018a 下完成。

        Table 1 4 typical test functions表1 4 個(gè)典型測(cè)試函數(shù)

        為驗(yàn)證本文算法的有效性,選取PSO 算法、LDWPSO算法、IPSO 算法、SLPSO 算法與DHEPSO 算法進(jìn)行仿真對(duì)比實(shí)驗(yàn),各種算法獨(dú)立運(yùn)行30 次,統(tǒng)計(jì)粒子適應(yīng)度的平均值與標(biāo)準(zhǔn)差。設(shè)置所有算法初始種群數(shù)量NP=100,最大迭代次數(shù)500 次,函數(shù)粒子維數(shù)分別取30 維和50 維。各算法的初始參數(shù)設(shè)置如表2 所示。

        Table 2 Algorithm initial parameters settings表2 算法初始參數(shù)設(shè)置

        3.3 結(jié)果分析

        5 種算法在4 個(gè)測(cè)試函數(shù)上的標(biāo)準(zhǔn)差(Std)和適應(yīng)度平均值(Mean)統(tǒng)計(jì)數(shù)據(jù)如表3 所示,實(shí)驗(yàn)最好結(jié)果用粗體表示。

        Table 3 5 kinds of PSO algorithm simulation results of four test function表3 5 種PSO 算法對(duì)4 個(gè)測(cè)試函數(shù)仿真結(jié)果

        由表3 可以看出,對(duì)于所選的測(cè)試函數(shù)除f2和f4外,DHEPSO 算法在所規(guī)定的迭代次數(shù)內(nèi)達(dá)到全局最優(yōu)。DHEPSO 算法相對(duì)于基本PSO 算法和其它兩種對(duì)比算法,在收斂精度和穩(wěn)定性上都有很大優(yōu)勢(shì)。雖然f2和f4函數(shù)沒(méi)有收斂到全局最優(yōu),但是由表中數(shù)據(jù)可以看出其它對(duì)比算法優(yōu)化效果較差,并且對(duì)于f2函數(shù),DHEPSO 算法的優(yōu)化結(jié)果比其它算法低了14 個(gè)數(shù)量級(jí)。

        為了更直觀表現(xiàn)出算法的收斂情況和適應(yīng)度變化情況,圖3 給出在50 維時(shí)部分算法的適應(yīng)度對(duì)比曲線(xiàn),其中f1和f6函數(shù)的縱坐標(biāo)是以10 為底取對(duì)數(shù)的結(jié)果。由圖3中的適應(yīng)度曲線(xiàn)可以看出,DHEPSO 算法在4 個(gè)測(cè)試函數(shù)中收斂速度最快,同時(shí)全局收斂能力最好。

        Fig.3 Algorithm fitness curves圖3 算法適應(yīng)度曲線(xiàn)

        4 結(jié)語(yǔ)

        本文在標(biāo)準(zhǔn)粒子群算法基礎(chǔ)上提出一種具有動(dòng)態(tài)學(xué)習(xí)能力的分層進(jìn)化粒子群優(yōu)化算法,結(jié)合分層進(jìn)化策略與動(dòng)態(tài)學(xué)習(xí)能力思想,避免迭代后期種群多樣性喪失,有效提高了全局收斂能力,同時(shí)保證了算法收斂速度。在4 個(gè)典型測(cè)試函數(shù)上本文算法均取得良好成績(jī),證明本文算法具有良好的優(yōu)化性能。但是算法在高維病態(tài)函數(shù)上性能提升較小,這是以后改進(jìn)方向。通過(guò)對(duì)標(biāo)準(zhǔn)粒子群算法與其改進(jìn)算法的深入研究可知,對(duì)粒子群算法初始種群、慣性權(quán)重、學(xué)習(xí)因子等方面進(jìn)行合理改進(jìn),均可有效提升算法性能。

        猜你喜歡
        優(yōu)化能力
        消防安全四個(gè)能力
        超限高層建筑結(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考
        民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討
        關(guān)于優(yōu)化消防安全告知承諾的一些思考
        一道優(yōu)化題的幾何解法
        由“形”啟“數(shù)”優(yōu)化運(yùn)算——以2021年解析幾何高考題為例
        幽默是一種能力
        大興學(xué)習(xí)之風(fēng) 提升履職能力
        你的換位思考能力如何
        努力拓展無(wú)人機(jī)飛行能力
        久久亚洲av成人无码软件| 久久久久久无码av成人影院| 亚洲精品成人区在线观看| 国内精品人妻无码久久久影院94| 久久国产精品av在线观看| 亚洲综合日韩精品一区二区| 午夜视频在线在免费| 久久综合色鬼| 国产成年女人特黄特色毛片免| 美利坚日韩av手机在线| 中国丰满熟妇xxxx性| 大陆一级毛片免费播放| 大岛优香中文av在线字幕| 精品激情成人影院在线播放| 狠狠噜天天噜日日噜视频麻豆| 大陆国产乱人伦| 国产av自拍在线观看| 国产成人精品无码片区在线观看 | 欧美激情国产一区在线不卡| 日本一区二区三区爱爱视频 | 国产精品熟女视频一区二区| 国产午夜福利精品| 国产自拍精品视频免费观看| 亚洲av福利天堂一区二区三 | 天天爽夜夜爽人人爽| 久久精品夜夜夜夜夜久久| 看黄色亚洲看黄色亚洲| 日韩在线精品视频一区| 日韩吃奶摸下aa片免费观看| av无码天一区二区一三区| 国产成人亚洲精品一区二区三区| 国产午夜免费高清久久影院| 无码三级在线看中文字幕完整版 | 18禁超污无遮挡无码免费游戏| 久久久久久岛国免费网站| 国产一区二区av在线免费观看| 精品免费久久久久久久| 国产精品美女白浆喷水| 中文字幕人妻激情在线视频| 亚洲av无码无限在线观看| 久久精品国产亚洲av影院毛片|