為克服粒子群在解決多峰函數(shù)復(fù)雜問(wèn)題時(shí)存在收斂速度慢和極易陷入局部最優(yōu)值的缺點(diǎn),提出了一種基于高斯學(xué)習(xí)多峰延遲粒子群混合算法。首先引入改進(jìn)的高斯學(xué)習(xí)提高算法的收斂速度,然后在此基礎(chǔ)上,針對(duì)4種進(jìn)化狀態(tài)在算法中引入延遲因子避免局部最優(yōu)問(wèn)題。通過(guò)對(duì)6個(gè)單峰多峰測(cè)試函數(shù)進(jìn)行仿真實(shí)驗(yàn),驗(yàn)證了GLPSO（Gaussian Learning PSO）算法具有更好的收斂速度,同時(shí)驗(yàn)證了GLMDPSO（Gaussian Learning Multimodal Delayed PSO）算法在處理多峰函數(shù)復(fù)雜問(wèn)題時(shí)具備更好的全局搜尋能力。因此,改進(jìn)算法在解決多峰函數(shù)尋優(yōu)問(wèn)題時(shí)可有效跳出停滯狀態(tài),提高收斂速度并具有較好的尋優(yōu)能力。 

【文章來(lái)源】：吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2019,37(04)

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
0 引言
1 粒子群優(yōu)化算法
    1.1 粒子群算法原理
    1.2 粒子群的研究現(xiàn)狀
2 高斯學(xué)習(xí)策略
3 基于高斯學(xué)習(xí)多峰延遲粒子群優(yōu)化算法
    3.1 粒子群的進(jìn)化狀態(tài)估計(jì)
    3.2 多峰延遲粒子群策略
    3.3 改進(jìn)算法步驟及流程圖
4 仿真實(shí)驗(yàn)
    4.1 基準(zhǔn)函數(shù)的配置
    4.2 算法仿真
    4.3 仿真分析
5 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于區(qū)域粒子群優(yōu)化和部分高斯重采樣的SLAM方法[J]. 王田橙,蔡云飛,唐振民.  計(jì)算機(jī)工程. 2017(11)
[2]基于高斯擾動(dòng)和自然選擇的改進(jìn)粒子群優(yōu)化算法[J]. 艾兵,董明剛.  計(jì)算機(jī)應(yīng)用. 2016(03)
[3]動(dòng)態(tài)高斯變異和隨機(jī)變異融合的自適應(yīng)細(xì)菌覓食優(yōu)化算法[J]. 張新明,尹欣欣,馮夢(mèng)清.  計(jì)算機(jī)科學(xué). 2015(06)
[4]基于高斯函數(shù)遞減慣性權(quán)重的粒子群優(yōu)化算法[J]. 張迅,王平,邢建春,楊啟亮.  計(jì)算機(jī)應(yīng)用研究. 2012(10)
[5]一類簡(jiǎn)約的粒子群算法[J]. 朱培逸,鐘強(qiáng),徐保國(guó).  小型微型計(jì)算機(jī)系統(tǒng). 2012(04)
[6]改進(jìn)的變參數(shù)粒子群優(yōu)化算法[J]. 趙成業(yè),閆正兵,劉興高.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2011(12)
[7]一種基于種群速度的自適應(yīng)粒子群算法[J]. 張頂學(xué),廖銳全.  控制與決策. 2009(08)

碩士論文
[1]面向單模和多模函數(shù)優(yōu)化的多子群粒子群算法研究[D]. 王芳芳.南京農(nóng)業(yè)大學(xué) 2014
[2]粒子群優(yōu)化算法的幾種改進(jìn)算法及應(yīng)用[D]. 魯姝穎.中國(guó)礦業(yè)大學(xué) 2014



本文編號(hào)：3014196