基于灰狼优化的反向学习粒子群算法

被引：77

作者：

周蓉 ^{[1
,2
]}

李俊 ^{[1
,2
]}

王浩 ^{[1
,2
]}

机构：

[1] 武汉科技大学计算机科学与技术学院

[2] 智能信息处理与实时工业系统湖北省重点实验室

来源：

计算机工程与应用 | 2020年 / 07期

关键词：

粒子群算法; 反向学习; 灰狼优化算法; 贝塔分布;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

针对粒子群算法(PSO)易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。

引用

页码：48 / 56

页数：9

共 21 条

[1]

基于跨邻域搜索的连续域蚁群优化算法 [J].