在继承综合学习粒子群算法(Comprehensive Learning Particle Swarm Optimizer,CLPSO)全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索(Orthodox Local Search,OLS)方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算...在继承综合学习粒子群算法(Comprehensive Learning Particle Swarm Optimizer,CLPSO)全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索(Orthodox Local Search,OLS)方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法(Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy,ALSQE-HPSO).采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果,表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比,实验结果表明ALSQE-HPSO算法的性能优于对比算法.展开更多
基金国家自然科学基金重点项目(the Key Project of National Natural Science Foundation of China No.50539140)国家自然科学基金(theNational Natural Science Foundation of China under Grant No.50579022)
文摘在继承综合学习粒子群算法(Comprehensive Learning Particle Swarm Optimizer,CLPSO)全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索(Orthodox Local Search,OLS)方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法(Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy,ALSQE-HPSO).采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果,表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比,实验结果表明ALSQE-HPSO算法的性能优于对比算法.
