一种高维多模态优化的量子粒子群优化算法

被引:38
作者
张艺瀛
金志刚
机构
[1] 天津大学电气自动化与信息工程学院
关键词
量子粒子群; 高维; 多模态; 动态邻域; 局部吸引子;
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
为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.
引用
收藏
页码:50 / 58+82 +82
页数:10
相关论文
共 6 条
[1]
[2]
Grey Wolf Optimizer.[J].Seyedali Mirjalili;Seyed Mohammad Mirjalili;Andrew Lewis.Advances in Engineering Software.2014,
[3]
Convergence analysis and improvements of quantum-behaved particle swarm optimization.[J].Jun Sun;Xiaojun Wu;Vasile Palade;Wei Fang;Choi-Hong Lai;Wenbo Xu.Information Sciences.2012,
[4]
An improved cooperative quantum-behaved particle swarm optimization [J].
Li, Yangyang ;
Xiang, Rongrong ;
Jiao, Licheng ;
Liu, Ruochen .
SOFT COMPUTING, 2012, 16 (06) :1061-1069
[5]
An improved quantum-behaved particle swarm optimization algorithm with weighted mean best position [J].
Xi, Maolong ;
Sun, Jun ;
Xu, Wenbo .
APPLIED MATHEMATICS AND COMPUTATION, 2008, 205 (02) :751-759
[6]
量子行为粒子群优化算法研究 [D]. 
孙俊 .
江南大学,
2009