佛山网站设计资讯,本地的丹阳网站建设,wordpress登入可见插件,高端装修公司展厅布置目录 1.摘要2.改进策略3.结果展示4.参考文献5.代码获取 1.摘要
本文提出了一种异质综合学习和动态多群体粒子群算法#xff08;HCLDMS-PSO#xff09;#xff0c;该算法在综合学习#xff08;CL#xff09;策略的基础上#xff0c;通过利用整个种群的全局最优经验来生成… 目录 1.摘要2.改进策略3.结果展示4.参考文献5.代码获取 1.摘要
本文提出了一种异质综合学习和动态多群体粒子群算法HCLDMS-PSO该算法在综合学习CL策略的基础上通过利用整个种群的全局最优经验来生成开发性子种群。并且HCLDMS-PSO设计了修改后的动态多群体DMS策略来构建探索性子种群。传统的DMS策略中所有子群体使用相同的线性递减惯性权重这会限制其探索能力。为此本文首先对DMS子群体进行分类然后为不同子群体设计非线性自适应递减惯性权重并引入非均匀变异操作符以增强探索性。此外整个种群的全局最优粒子gbest还采用了高斯变异算子以避免陷入局部最优解。
2.改进策略
在HCLDMS-PSO中第一个子种群采用由整个种群的全局最优解gbest引导的综合学习CL策略以增强开发能力。第二个子种群使用改进动态多群体DMS策略其中引入了非线性自适应惯性权重和非均匀变异算子增强探索能力。最后整个种群的全局最优粒子gbest采用高斯变异算子作为局部优化手段进一步提升了局部探索能力。
sigmoid 函数具有连续、平滑和严格单调的特性其值域限定在 (0, 1) 之间。当 t t t 的值超出 [-10, 10] 范围时sigmoid 函数的值将保持不变。基于这一特性本文首先构造了一种基于 sigmoid 函数的非线性递减惯性权重NLDIW计算公式用于改进算法的更新机制 w 1 ( t ) w max ( w min − w max ) / 1 exp [ − 5 × ( 2 t T − 1 ) ] w_1(\mathrm{t})w_{\max}(w_{\min}-w_{\max})/1\exp[-5\times(\frac{2\mathrm{t}}{\mathrm{T}}-1)] w1(t)wmax(wmin−wmax)/1exp[−5×(T2t−1)] 根据动态多群体DMS子种群中不同子群体的搜索层级总数来调整所提出的自适应非线性递减惯性权重ANLDIW { ω 2 ( t ) ω 1 ( t ) C , m i ≥ M ω 2 ( t ) ω 1 ( t ) − C , m i M \begin{align*} \begin{cases} \omega_2(t) \omega_1(t) C, \textrm{m}_i \geq M \\ \omega_2(t) \omega_1(t) - C, \textrm{m}_i M \end{cases} \end{align*} {ω2(t)ω1(t)C,ω2(t)ω1(t)−C,mi≥MmiM 为了避免DMS子种群的过早收敛并增加其多样性我们引入了一种非均匀变异算子 x ′ x N d × d ( B U − x ) ( 1 − t T ) b , if round(rand) 0 x x \mathbf{N}_{d\times d} (\mathbf{B}_U - x)\left(1 - \frac{t}{T}\right)^b, \quad \text{if round(rand)} 0 x′xNd×d(BU−x)(1−Tt)b,if round(rand)0 x ′ x N d × d ( x − B L ) ( 1 − t T ) b , if round(rand) 1 x x \mathbf{N}_{d\times d} (x - \mathbf{B}_L)\left(1 - \frac{t}{T}\right)^b, \quad \text{if round(rand)} 1 x′xNd×d(x−BL)(1−Tt)b,if round(rand)1
伪代码 3.结果展示 4.参考文献
[1] Wang S, Liu G, Gao M, et al. Heterogeneous comprehensive learning and dynamic multi-swarm particle swarm optimizer with two mutation operators[J]. Information Sciences, 2020, 540: 175-201.
5.代码获取
