带自适应精英扰动及惯性权重的反向粒子群优化算法

摘要：

针对反向粒子群优化算法存在的易陷入局部最优、计算开销大等问题,提出了一种带自适应精英粒子变异及非线性惯性权重的反向粒子群优化算法(OPSO-AEM&NIW),来克服该算法的不足.OPSO-AEM&NIW算法在一般性反向学习方法的基础上,利用粒子适应度比重等信息,引入了非线性的自适应惯性权重(NIW)调整各个粒子的活跃程度,继而加速算法的收敛过程.为避免粒子陷入局部最优解而导致搜索停滞现象的发生,提出了自适应精英变异策略(AEM)来增大搜索范围,结合精英粒子的反向搜索能力,达到跳出局部最优解的目的.上述2种机制的结合,可以有效克服反向粒子群算法的探索与开发的矛盾.实验结果表明,与主流反向粒子群优化算法相比,OPSO-AEM&NIW算法无论是在计算精度还是计算开销上均具有较强的竞争能力.

关键词：一般性反向学习、粒子群优化、自适应精英变异、非线性惯性权重

所属期刊栏目：37

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目61170305,61672024;The National Natural Science Foundation of China61170305,61672024

在线出版日期：2017-03-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1-10