10.3778/j.issn.1673-9418.2201044
聚集度指标引导的注意力学习粒子群优化算法
尽管目前粒子群优化(PSO)算法在求解很多优化问题上表现出了良好的性能,但如何在保持种群多样性的同时确保收敛精度,防止群体陷入局部最优,平衡勘探与开发之间的矛盾,仍是粒子群优化算法研究需要解决的问题.针对这些问题,提出了一种聚集度指标引导的注意力学习粒子群优化算法(ALPSO-AI).首先,为了有效保持种群多样性,整个种群被分成若干大小相等的子群,并且在进化过程中重新组合,在每一代中,子群中的不同粒子根据其性能自适应地选择多个优质的学习对象.种群外部设有存档,用于指导种群的搜索并评估进化程度;其次,引入注意力机制,根据每个学习对象与更新粒子适应值的差异,对每个学习对象赋予不同的注意力权重,生成一个高质量的学习榜样,用于粒子的更新.针对搜索前期和后期不同的搜索需求,分别设计不同尺度的注意力分配方式,进行全局搜索和局部搜索;此外,对存档引入聚集度指标,通过判断当前最优粒子周围的适应值相似度,评估当前种群进化水平,当聚集度指标达到阈值时,开启局部搜索,以增强算法的整体收敛能力.实验对CEC2013测试集的28个基准函数在30维和50维的空间分别进行测试,并与主流的5种变体PSO和其他优化算法进行比较,实验结果证明了ALPSO-AI的优越性.此外,注意力学习和聚集度指标的有效性也进行了充分的验证.
粒子群优化(PSO)、注意力机制、聚集度指标、存档、局部搜索
17
TP301(计算技术、计算机技术)
2023-08-15(万方平台首次上网日期,不代表论文的发表时间)
共15页
1852-1866