总结性自适应变异的粒子群算法

摘要：

针对粒子群优化(particle swarm optimization,PSO)算法在迭代期间易陷入局部最优及寻优精度不高的缺点,提出一种总结性自适应变异的粒子群算法SCVPSO(self-conclusion and self-adaptive variation particle swarm optimization).采用非线性转折上升再递减惯性权重动态更新每个粒子的位置,有效避免早熟;对筛选的局部粒子作反向搜索处理,提高种群寻优效率;引入新的参数scr(self-conclusion rate)以总结各个粒子近期求解情况,并通过概率单向变异引导粒子指向全局最优,增加粒子多样性.借助15个测试函数与其他变种粒子群优化算法对比,结果显示,改进之后的算法在求解性能上明显优于其他算法,验证了该策略的有效性.

关键词：粒子群优化、惯性权重、反向搜索、总结性变异

所属期刊栏目：58

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金61374128

在线出版日期：2022-04-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：67-75