采用种群平均信息和精英变异的改进粒子群算法

摘要：

针对基本粒子群优化(PSO)算法早熟收敛和后期搜索效率低的问题,提出一种利用种群平均信息和精英变异的粒子群优化算法——MEPSO算法.该算法引入粒子个体与群体的平均信息,利用粒子平均信息来提高算法全局搜索能力,并采用时变加速系数(TVAC)以平衡算法的局部搜索和全局搜索能力;在算法后期,采用精英学习策略对精英粒子进行柯西变异操作,以进一步提高算法的全局搜索能力,减少算法陷入局部最优的危险.在6个典型的复杂函数上与基本PSO (BPSO)算法、时变加速因子PSO(PSO-TVAC)算法、时变惯性权重PSO (PSO-TVIW)算法和小波变异PSO (HPSOWM)算法进行对比,MEPSO的均值与标准方差均优于对比算法,且寻优时间最短,可靠性更好.结果表明,MEPSO能较好地兼顾局部搜索和全局搜索能力,收敛速度快,收敛精度和搜索效率高.

关键词：粒子群优化、平均搜索、柯西变异、时变加速因子、全局搜索

所属期刊栏目：34

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61174140;中国博士后科学基金资助项目2013M540628;湖南省自然科学基金资助项目14JJ3107

在线出版日期：2015-01-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：3241-3244,3249