一种具有速度扰动的高斯学习粒子群优化算法
针对标准粒子群(PSO)算法在复杂问题上收敛速度慢和早熟收敛的缺点,提出一种基于速度扰动的高斯学习粒子群优化算法(PGPSO).新算法中,首先在速度更新公式中添加速度扰动项,使得每次迭代进化时粒子速度增量比标准PSO更大,一方面加快了算法的收敛速度,另一方面又减缓了粒子速度快速降低的趋势,有效地维持了种群的多样性;同时引入高斯学习的概念,当算法陷入局部最优时,对全局最优粒子在搜索空间进行高斯学习,以增强算法逃离局部最优的能力.基准测试函数的实验结果表明,相较一些国际上知名的粒子群算法,新算法不仅能提高收敛速度、增强全局搜索能力,而且能有效提高解的精度和稳定性.
粒子群优化算法、速度扰动、高斯学习
36
TP18(自动化基础理论)
国家自然科学基金项目61261039,61305150;教育部人文社科青年基金交叉项目13YJCZH174;江西省教育厅落地计划项目KJLD13096;江西省科技厅自然科学基金项目20122BAB201043;南昌工程学院青年基金项目2010KJ019
2016-09-18（万方平台首次上网日期，不代表论文的发表时间）
共5页
1521-1525
