针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle ...针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization,HGA–PSO).算法采用分层结构,底层由一系列的遗传算法子群组成,贡献算法的全局搜索能力;上层是由每个子群的最优个体组成的精英群,采用钳制了初始速度的粒子群算法进行精确局部搜索.文中分析论证了HGA–PSO算法具有全局收敛性,并采用7个典型高维Benchmark函数进行测试,实验结果显示该算法的优化性能显著优于其他测试算法.展开更多
现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协...现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。展开更多
文摘针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization,HGA–PSO).算法采用分层结构,底层由一系列的遗传算法子群组成,贡献算法的全局搜索能力;上层是由每个子群的最优个体组成的精英群,采用钳制了初始速度的粒子群算法进行精确局部搜索.文中分析论证了HGA–PSO算法具有全局收敛性,并采用7个典型高维Benchmark函数进行测试,实验结果显示该算法的优化性能显著优于其他测试算法.
文摘现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。
