郭恩銘，方洋旺,2，彭維仕，杜澤弘

(1.西安郵電大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 710121；2.西北工業(yè)大學(xué)無人系統(tǒng)技術(shù)研究院， 陜西 西安 710072；3.武警工程大學(xué)裝備管理與保障學(xué)院，陜西 西安 710086； 4.上海機(jī)電工程研究所，上海 201109)

0 引言

群智能是指自然界智能行為特征和生物現(xiàn)象，適應(yīng)性、自我學(xué)習(xí)、健壯性和效率使生物媒介(如昆蟲和鳥類)能夠承擔(dān)復(fù)雜的任務(wù)[1]。人們根據(jù)這些群智能行為特征[2]，提出了群智能優(yōu)化算法。例如：哈里斯鷹優(yōu)化算法(Harris hawk optimization，HHO)[3]、松鼠搜索算法(squirrel search algorithm，SSA)[4]、海洋捕食者算法(marine predators algorithm，MPA)[5]、被囊群優(yōu)化算法(tunicate swarm algorithm，TSA)[6]等。

但是工程實(shí)際中，如何選擇合理的群智能優(yōu)化算法，則需要對算法的性能進(jìn)行分析和比較。其中，文獻(xiàn)[7]針對機(jī)器人群學(xué)習(xí)的性能分別對蝙蝠算法(bat algorithm，BA)、粒子群算法(particle swarm optimization，PSO)、灰狼優(yōu)化器(grey wolf optimization，GWO)進(jìn)行了分析，研究中使用避障基準(zhǔn)任務(wù)通過t檢測法對三種算法的性能對比在不同的機(jī)械手的數(shù)量(NR)和通訊范圍(CR)條件下機(jī)器人的社交學(xué)習(xí)能力，但t檢測法要求數(shù)據(jù)是來自正態(tài)分布且不能用于多組比較，最后結(jié)果是針對機(jī)器人系統(tǒng)選擇算法的建議。文獻(xiàn)[8]提出人像散度模型，來評價(jià)貓群算法(cat swarm algorithm，CSO)與粒子群和人工蜂群算法的性能。相關(guān)改進(jìn)算法和原算法比較中[9-10]用的都是算法的標(biāo)準(zhǔn)差、平均值等單個指標(biāo)來評估算法性能的優(yōu)劣。如何綜合地評估算法的性能對于算法的應(yīng)用非常重要。

針對傳統(tǒng)評估指標(biāo)不能合理評估算法性能的問題，提出基于逼近理想解排序法(technique for order preference by similarity to ideal solution，TOPSIS)的評估方法，逼近理想解排序法又簡稱優(yōu)劣解距離法。

1 TOPSIS方法原理

TOPSIS方法是一種用于許多實(shí)際問題的簡單的MCDA技術(shù)[11-12]。由于其使用的簡便性，被廣泛應(yīng)用于解決多標(biāo)準(zhǔn)問題[11]。采用TOPSIS方法能夠在極大保留原始數(shù)據(jù)特點(diǎn)信息的基礎(chǔ)上清晰地反映不同方案之間的差距。

TOPSIS方法是由Hwang和Yoon[13]提出，設(shè)有m個方案P={p1,p2,…,pm}，每個方案pi(i=1,2,…,m)由n個評價(jià)屬性{ai1,ai2,…,ain}構(gòu)成，即n個屬性決定一個方案。

TOPSIS方法的步驟如下：

1) 設(shè)多屬性決策矩陣A=(aij)m×n，之后對多屬性決策矩陣進(jìn)行規(guī)范化得到規(guī)范化矩陣B=(bij)m×n，規(guī)范化方法為：

(1)

2) 對B進(jìn)行加權(quán)得到加權(quán)矩陣C=(cij)m×n，設(shè)屬性的權(quán)重W={w1,w2,…,wn}，則加權(quán)矩陣的計(jì)算公式為：

cij=wj·bij。

(2)

3) 計(jì)算正理想解P*和負(fù)理想解P0，P*中每個屬性值都為最優(yōu)值；P0中每個屬性都為最差值，公式如下：

(3)

(4)

4) 計(jì)算每個備選方案pi到正理想解和負(fù)理想解的距離

(5)

(6)

5) 計(jì)算m個方案P對應(yīng)的排序指標(biāo)，計(jì)算公式：

(7)

6) 得到排序指標(biāo)之后按其大小進(jìn)行排序，該順序就是每個方案的優(yōu)劣排序。

2 基于TOPSIS法的群智能優(yōu)化算法 性能排序方法

本章主要介紹用于構(gòu)建TOPSIS綜合評估指標(biāo)的7種屬性指標(biāo)，說明7種屬性數(shù)據(jù)在TOPSIS法中的處理過程以及對結(jié)果的排序。

2.1 群智能優(yōu)化算法評估屬性指標(biāo)

在研究和實(shí)驗(yàn)中不同問題選用哪種算法來解決，這涉及到重點(diǎn)考慮算法的哪種特性，實(shí)際中需要考慮算法的計(jì)算時(shí)間、精度、尋優(yōu)能力和成功率等性能。若從單一性能指標(biāo)，可能會給出不合理的決策結(jié)果，因此需要綜合評估群體智能算法性能。

2.1.1平均計(jì)算時(shí)間

為了評估算法的收斂速度，定義算法的平均計(jì)算時(shí)間。令算法循環(huán)運(yùn)行N次，算法的N次運(yùn)行時(shí)間為t={t1,t2,…,tn}，則平均計(jì)算時(shí)間S為：

(8)

2.1.2計(jì)算精度

為了評估算法的尋優(yōu)能力，定義算法的計(jì)算精度。令N次循環(huán)運(yùn)行的結(jié)果為C={c1,c2,…,cn}，理論最優(yōu)值為Z，則計(jì)算精度X為：

X=|min{C}-Z|，

(9)

測試的函數(shù)都是求最小值函數(shù)，因此在公式中的min{C}就是使用N次循環(huán)結(jié)果中實(shí)際取得的最優(yōu)值。

2.1.3算法覆蓋度

為了評估算法的全局搜索能力，定義算法的覆蓋度。覆蓋度越大所得結(jié)果越可能是全局最優(yōu)，結(jié)果的可靠性越強(qiáng)。

首先要得到所有搜索粒子的位置，如圖1和圖2分別對應(yīng)兩次迭代的粒子位置，需要將兩次迭代的所有搜索位置都記錄下來。

圖1 第一次粒子迭代位置Fig.1 The first particle iteration position

圖2 第二次粒子迭代位置Fig.2 The second particle iteration position

之后對自變量范圍[bl,bu]進(jìn)行區(qū)間劃分，自變量x中所有xi(i=1,2,…,n)都在同一范圍[bl,bu]內(nèi)的隨機(jī)取值，通過計(jì)算得到在維度為dim的時(shí)候能劃分為多少區(qū)間并確定每個區(qū)間的標(biāo)志。如圖1和圖2中設(shè)bl和bu分別為0和15，劃分步長大小為1，故每個維度可分為15個小區(qū)間，因此共有15×15=225個區(qū)間。

使用一維數(shù)組下標(biāo)來表示每個區(qū)間的序號，通過相應(yīng)的轉(zhuǎn)換公式將粒子所在高維度坐標(biāo)轉(zhuǎn)換為十進(jìn)制整數(shù)，該整數(shù)就是粒子所在區(qū)間的序號，即一維數(shù)組的下標(biāo)。如圖3所示為圖1和圖2轉(zhuǎn)化為一維數(shù)組存儲，數(shù)字為每個區(qū)間的序號。

圖3 一維存儲數(shù)組Fig.3 One-dimensional storage array

找到區(qū)間之后對該區(qū)間進(jìn)行判斷：是否已經(jīng)被搜索過，若該區(qū)間未被搜索過，則將對應(yīng)一維數(shù)組元素變?yōu)?，通過對數(shù)組求和得到粒子搜索的空間，計(jì)算搜索空間占所有空間的比例得到覆蓋度。

設(shè)自變量范圍[bl,bu]按劃分步長α進(jìn)行區(qū)間劃分，自變量x={xi}(i=1,2,…,n)都是在同一范圍[bl,bu]內(nèi)的隨機(jī)取值，區(qū)間的總數(shù)量n為自變量區(qū)間劃分?jǐn)?shù)量m的維度dim次方，則總自變量空間大小的計(jì)算為：

(10)

n=mdim。

(11)

使用一維零數(shù)組A來存儲所有區(qū)間，通過式(5)和式(6)將粒子向量x={x1,x2,…,xn}轉(zhuǎn)換為一個十進(jìn)制整數(shù)j，該整數(shù)就是粒子所在區(qū)間的編號。

(12)

(13)

最終得到的數(shù)組A中為1的位置就是所有粒子所搜索的區(qū)域，之后計(jì)算占比，則覆蓋度F為：

(14)

2.1.4覆蓋速率

為了評估算法的搜索速度，定義算法的覆蓋速率。上述定義的覆蓋度是在所有迭代中的所有粒子搜索空間占整個空間的比例，且知道了每個算法的平均計(jì)算時(shí)間，則覆蓋速率為覆蓋度F除以平均計(jì)算時(shí)間S得出

(15)

2.1.5最優(yōu)與最差值

為了評估算法的收斂精度和魯棒性，定義算法的最優(yōu)與最差值。令n次循環(huán)值中找到其中的更優(yōu)為Xbest和更差值為Xworst，則最優(yōu)與最差值為：

(16)

2.1.6尋優(yōu)成功率

為了評估算法的穩(wěn)定性，定義算法的尋優(yōu)成功率。設(shè)尋優(yōu)成功的精度條件為y，數(shù)組C={c1,c2,…,cn}用來存儲每次尋優(yōu)是否成功，初始化C為零數(shù)組，若成功則將對應(yīng)位置的數(shù)組元素修改為1，則數(shù)組中元素值為：

(17)

之后C中元素的和除以循環(huán)次數(shù)n，則尋優(yōu)成功率L為：

(18)

2.2 TOPSIS法綜合指標(biāo)構(gòu)建

2.2.1構(gòu)建群體智能優(yōu)化算法的多屬性決策矩陣

同一個算法在不同屬性上以及不同算法在同一屬性值上的數(shù)值存在差距，因此對相關(guān)數(shù)據(jù)進(jìn)行處理，方法如下：

1) 計(jì)算精度和最優(yōu)值處理，兩者的值都是小數(shù)，在Matlab中當(dāng)數(shù)值過小放入矩陣中會直接變?yōu)?，因此不能直接進(jìn)行傳參，在對值的處理上首先為三種算法創(chuàng)建三個計(jì)數(shù)器，初始計(jì)數(shù)器值為0，之后對屬性值進(jìn)行放大處理，循環(huán)放大10倍，直到屬性值大于1，之后將計(jì)數(shù)器的值作為該屬性的值放入矩陣中。

2) 覆蓋度和覆蓋速率處理，兩者的值不是非常小的小數(shù)，且不同算法的同一屬性值的差距并不是很大，使用計(jì)數(shù)器方法只適合兩個值相差很大的情況，進(jìn)行計(jì)數(shù)之后兩種算法在同一屬性上的差距會有所縮小，因此不使用上述計(jì)數(shù)器方法，在此不斷對三種算法同時(shí)放大，每次放大10倍，直到所有的值都大于1的時(shí)候結(jié)束。

3) 其他值不作處理直接使用。

對數(shù)據(jù)值進(jìn)行了上述處理，由于不同屬性數(shù)據(jù)存在不同的特性，可能有的數(shù)據(jù)越大越好，有的越小越好，因此我們要統(tǒng)一屬性值類型，使所有屬性數(shù)據(jù)變?yōu)樵酱笤胶谩?/p>

預(yù)處理之后計(jì)算精度和最優(yōu)值由越小越好變?yōu)樵酱笤胶?；覆蓋度、覆蓋速率、最差值和尋優(yōu)成功率類型為越大越好；平均計(jì)算時(shí)間屬于越小越好的類型，在此對其作倒數(shù)處理，使其變?yōu)樵酱笤胶谩?/p>

使用處理結(jié)果構(gòu)建多屬性決策矩陣。在算法評估中共有3種算法，因此有3種方案，即m=3；算法共有7種評估屬性，即n=7。算法原始多屬性決策矩陣A如式(19)所示：

GWO ABC PSO

(19)

2.2.2歸一化群體智能優(yōu)化算法的多屬性決策矩陣

已經(jīng)得到算法的多屬性決策矩陣A，之后計(jì)算每種屬性數(shù)據(jù)的平方和sum_square，對得到的平方和求根號sum_square_root，最后求每種算法的屬性在相應(yīng)的sum_square_root中所占比例得到歸一化矩陣B中的對應(yīng)元素?cái)?shù)據(jù)bij，在此以最優(yōu)值屬性的計(jì)算為例給出歸一化計(jì)算的公式，則最優(yōu)值屬性的歸一化數(shù)據(jù)b11、b12、b13計(jì)算為：

sum_square=GWO最優(yōu)值+ABC最優(yōu)值+ PSO最優(yōu)值，

(20)

(21)

(22)

GWO ABC PSO

(23)

式(23)為歸一化矩陣B，B中的其他元素的歸一化計(jì)算與最優(yōu)值相同，只需將屬性數(shù)據(jù)值替換。

2.2.3確定正負(fù)理想解

權(quán)重不同產(chǎn)生的綜合評估結(jié)果也不一樣，這里考慮等權(quán)，認(rèn)為在實(shí)際過程中7個評價(jià)指標(biāo)同等重要。因此權(quán)重相同均為1/7，即：權(quán)重W中的任意元素wi(i=1,2,…,7)=1/7，在算法評估中權(quán)重矩陣C=(1/7)·B，如式(24)。目的是驗(yàn)證評估方法的正確性。當(dāng)然，權(quán)重的確定決策者可以通過專家打分的方法獲得，或者通過數(shù)據(jù)計(jì)算權(quán)重也可以根據(jù)實(shí)際需要設(shè)置指標(biāo)的權(quán)重，然后再利用本文的方法評估算法的性能。

(24)

之后需要確定正、負(fù)理想解P*和P0，正理想解矩陣如式(25)，負(fù)理想解矩陣如式(26)。之前已經(jīng)將所有屬性都統(tǒng)一為越大越好的類型，屬性評估每個屬性的最大數(shù)據(jù)作為正理想解中的元素；每個屬性的最小數(shù)據(jù)作為負(fù)理想解，計(jì)算如式(27)和式(28)。

(25)

(26)

(27)

(28)

2.2.4計(jì)算群智能優(yōu)化算法到正負(fù)理想解的距離以及綜合指標(biāo)

根據(jù)正、負(fù)理想解以及權(quán)重矩陣可以通過式(5)和式(6)計(jì)算得到每種算法的各屬性值到正、負(fù)理想解的距離，根據(jù)式(7)計(jì)算得到每種算法的綜合指標(biāo)大小，并通過綜合指標(biāo)進(jìn)行排序。

在綜合性能指標(biāo)計(jì)算中分子部分使用的是負(fù)理想解的距離，但是也可以使用正理想解距離，二者的不同之處在于若使用負(fù)理想解，則綜合指標(biāo)越大越好；使用正理想解，則綜合指標(biāo)越小越好，最后的綜合指標(biāo)排序上方案的排名順序是不變的。

3 仿真驗(yàn)證

3.1 三種典型群體智能優(yōu)化算法概述

為了驗(yàn)證本文所提方法的正確性，我們選取群體智能算法中三種典型的算法：灰狼算法、人工蜂群算法和粒子群算法。

灰狼算法于2014年提出，其原理是利用灰狼尋找獵物的最佳方式[14]搜索目標(biāo)，該算法搜索能力強(qiáng)、靈活性好、算法實(shí)現(xiàn)簡單[15]。

人工蜂群算法[16]于2005年提出，主要利用蜜蜂尋找食物的原理搜索目標(biāo)，該算法具有操作簡單、控制參數(shù)少、搜索精度高、魯棒性強(qiáng)[17]等優(yōu)點(diǎn)。

粒子群算法是一種基于群的搜索過程，其中每個個體稱為一個粒子，它可以記住群體和自身的最佳位置，以及速度[18]。算法具有步驟簡潔、收斂速度較快、收斂精度高等優(yōu)點(diǎn)，過早收斂、易陷入局部最優(yōu)等缺點(diǎn)。

3.2 設(shè)置測試函數(shù)

測試函數(shù)使用的是標(biāo)準(zhǔn)測試函數(shù)，將函數(shù)分為單峰U(Unimodal)、多峰M(Multimodal)、可分S(Separable)和不可分N(Non-Separable)函數(shù)。測試中使用單峰可分函數(shù)US：Step、Shpere；單峰不可分函數(shù)UN：Rosenbrock、Schwefel絕對值；多峰可分函數(shù)MS：Rastrigin；多峰不可分函數(shù)MN：Griewank、Ackley。US和UN歸于單峰函數(shù)中測試，MS和MN歸于多峰函數(shù)中測試。

3.3 單峰函數(shù)下的群體智能優(yōu)化算法性能排序

3.3.1三種典型算法的性能指標(biāo)計(jì)算

單峰可分測試函數(shù)的可接受精度為10-17(尋優(yōu)成功條件)，單峰不可分函數(shù)可接受精度中Rosenbrock為10-4，Schwefel絕對值為10-10。數(shù)值是根據(jù)提前運(yùn)行4個單峰測試函數(shù)，觀測三種算法的最優(yōu)值而確定的數(shù)值。

三種算法循環(huán)運(yùn)行100次，每個算法的種群數(shù)為50，維度為3，每個算法迭代300次，保存每次循環(huán)三種算法的7個屬性值。表3為單峰測試函數(shù)的運(yùn)行結(jié)果。

表3 單峰測試函數(shù)結(jié)果Tab.3 Unimodal test function results

3.3.2三種典型算法的綜合排序結(jié)果

表4是三種算法在4個單峰函數(shù)上的TOPSIS數(shù)據(jù)，通過觀察綜合評價(jià)指標(biāo)可以得出算法由7種屬性構(gòu)成的綜合性能在不同測試函數(shù)上的性能優(yōu)劣，并根據(jù)綜合性能給出算法的性能排序。

表4 單峰函數(shù)正、負(fù)理想解以及綜合評價(jià)指標(biāo)Tab.4 The positive ideal solution and negative ideal solution of unimodal function and the comprehensive evaluation index

3.3.3仿真結(jié)果分析

表3中Step和Rosenbrock函數(shù)的平均計(jì)算時(shí)間T、計(jì)算精度A、覆蓋度C、覆蓋速率R、最優(yōu)值B、最差值W、尋優(yōu)成功率F屬性中算法排序如式(29)和式(30)：

(29)

(30)

通過上述表述，單從一個屬性上來說，每個屬性可以得出三種算法的排名，但若多個屬性一起，例如：Rosenbrock函數(shù)要求7個屬性排名最好時(shí)，ABC、GWO和PSO無法比較，因?yàn)?種屬性的算法排名不同，此時(shí)就很難判斷ABC、GWO和PSO兩種算法哪個最好。

此時(shí)，通過TOPSIS方法可以對多屬性值進(jìn)行計(jì)算從而得出綜合評估指標(biāo)，為研究者提供7種屬性同時(shí)最優(yōu)的選擇建議。如表4中的數(shù)據(jù)排名可以得出PSO算法最好，GWO算法次之，ABC算法最差。

3.4 多峰函數(shù)下的群體智能優(yōu)化算法性能排序

3.4.1三種典型算法的性能指標(biāo)計(jì)算

多峰可分和多峰不可分測試函數(shù)的可接受精度為10-10，通過提前運(yùn)行3個多峰測試函數(shù)觀測三種算法的最優(yōu)值而確定的數(shù)值。表5為三種算法在3個多峰函數(shù)上的測試數(shù)據(jù)。

3.4.2三種典型算法的綜合排序結(jié)果

多峰函數(shù)的TOPSIS綜合評價(jià)指標(biāo)的計(jì)算過程和單峰函數(shù)相同，在此不再重復(fù)展示。表6是三種算法在多峰可分與多峰不可分函數(shù)上的TOPSIS數(shù)據(jù)。

3.4.3仿真結(jié)果分析

分析表5和表6中數(shù)據(jù)可以得出在單屬性比較中可以通過單屬性數(shù)據(jù)對三種算法進(jìn)行排序，若多屬性評估則可以通過TOPSIS方法得出綜合評價(jià)指標(biāo)，得出算法的排序，多峰函數(shù)中PSO算法最好，GWO算法次之，ABC算法最差。

通過上述分析可以得出TOPSIS方法是可行的，使用TOPSIS方法對多種屬性進(jìn)行綜合評估就可以提供一種解決思路。

從表4和表6的綜合指標(biāo)可以得出在循環(huán)運(yùn)行C=100次，每個算法的種群數(shù)為N=50，維度為D=3，每個算法迭代I=300次的條件下，4種類型的函數(shù)中PSO算法綜合指標(biāo)最好，GWO算法次之，ABC最差。

現(xiàn)在改變公共參數(shù)，觀察使用TOPSIS方法評估算法的排序是否會改變，參數(shù)改變主要從以下兩個方面：改變種群數(shù)量、改變迭代次數(shù)。設(shè)置C=50、N=100、D=3、I=100，增加種群數(shù)量，直接給出在單峰函數(shù)和多峰函數(shù)下的綜合指標(biāo)，如表7所示。

觀察表7中的數(shù)據(jù)可以看出：10個函數(shù)中PSO算法最好、GWO算法次之、ABC算法最差。

表7 N=100的綜合評價(jià)指標(biāo)Tab.7 N=100 comprehensive evaluation index

再次改變種群數(shù)量，設(shè)置C=50、N=200、D=3、I=100，單峰函數(shù)和多峰函數(shù)下的綜合指標(biāo)如表8。

通過觀察表8的數(shù)據(jù)可以看出在Sphere函數(shù)中GWO算法已經(jīng)超過PSO算法，其他函數(shù)中PSO算法優(yōu)于GWO算法，但和表7相比Rosenbrock函數(shù)中二者之間的差距變小，其他函數(shù)二者差距變大，ABC算法依舊最差。

表8 N=200的綜合評價(jià)指標(biāo)Tab.8 N=200 comprehensive evaluation index

改變種群數(shù)量，設(shè)置N=300，單峰函數(shù)和多峰函數(shù)下的綜合指標(biāo)如表9。

表9 N=300的綜合評價(jià)指標(biāo)Tab.9 N=300 comprehensive evaluation index

觀察表9得出在Sphere函數(shù)上GWO算法優(yōu)于PSO算法，在Step、Griewank和Schwefel絕對值中依舊是PSO優(yōu)于GWO，但和表8相比二者之間的差值再次變小，其他函數(shù)差值變大。

通過比對表7、表8和表9的數(shù)據(jù)可以得出在種群數(shù)量在不斷增大的時(shí)候GWO算法的性能越來越好，而PSO算法的性能在下降，開始出現(xiàn)GWO算法的綜合性能優(yōu)于PSO算法，雖然有部分函數(shù)PSO和GWO之間的差值變大，但是對比表8和表9，表8中有4個函數(shù)差值變大，而表9中有2個函數(shù)差值變大。ABC算法的綜合性能也在增加，雖然增加的幅度不大。

改變迭代次數(shù)，增加迭代次數(shù)I=150，單峰和多峰函數(shù)下的綜合指標(biāo)如表10。

表10 I=150的綜合評價(jià)指標(biāo)Tab.10 I=150 comprehensive evaluation index

對比表7和表10的數(shù)據(jù)得出Step、Griewank、Ackley、Rosenbrock函數(shù)中PSO算法和GWO算法之間的差值減小，其他函數(shù)差值變大。

改變迭代次數(shù)I=250，函數(shù)的運(yùn)行結(jié)果如表11。

對比表10和表11的數(shù)據(jù)可以看出除Rosenbrock函數(shù)外其他函數(shù)上PSO和GWO的差值在變大，且PSO的綜合指標(biāo)的值比表10的值要大，而GWO的值要小。

通過比對表7、表10和表11的數(shù)據(jù)可以看出在其他參數(shù)不變，迭代次數(shù)增大的情況下，PSO算法的綜合指標(biāo)越來越好，而GWO算法的綜合指標(biāo)越來越差，二者之間的差值在不斷變大。

4 結(jié)論

本文提出一種基于優(yōu)劣解距離法(TOPSIS)法的評估算法綜合性能的方法。該方法定義了7項(xiàng)表示群體智能算法性能的指標(biāo)，給出了指標(biāo)的計(jì)算模型。通過對數(shù)據(jù)的分析可以得出三種算法在不同測試函數(shù)中每個單屬性下的排名，不同的排名反映了算法的不同性能上的優(yōu)劣。為了綜合評估群體智能算法的性能，利用TOPSIS方法對不同算法綜合性能進(jìn)行排序，結(jié)合數(shù)據(jù)進(jìn)行分析可以得出：

1) 在其他條件不變，種群數(shù)量不斷增大的時(shí)候，GWO算法的綜合性能會越來越好，PSO算法的綜合性能會變差。在種群數(shù)量大到一定值的時(shí)候，GWO算法的性能會優(yōu)于PSO算法，三種算法的綜合性能排序會變?yōu)镚WO最優(yōu)、PSO次之、ABC最差。

2) 在其他條件不變，迭代次數(shù)不斷增大的時(shí)候，PSO算法的綜合性能會越來好，GWO算法的性能會變差，二者之間的差值會不斷加大，PSO算法的性能會越來越優(yōu)于GWO算法。

仿真結(jié)果表明，本文所提方法的正確性以及適用性，不僅適用于GWO、PSO和ABC三種算法的測試及排名，還能應(yīng)用于其他不同算法的評估。