为了降低花朵授粉算法(FPA)重复探索的情况,并提高算法的种群多样性和空间搜索能力,提出一种基于神经网络优化的花朵授粉算法(NNFPA)。设定自适应控制因子,从而动态地切换全局与局部搜索;利用多方信息的全局搜索策略提高算法收敛速度并...为了降低花朵授粉算法(FPA)重复探索的情况,并提高算法的种群多样性和空间搜索能力,提出一种基于神经网络优化的花朵授粉算法(NNFPA)。设定自适应控制因子,从而动态地切换全局与局部搜索;利用多方信息的全局搜索策略提高算法收敛速度并维持花粉种群的多样性,同时减少在算法迭代后期种群对社会属性的依赖;基于神经网络的局部搜索策略让算法具有记忆功能,这样算法就能具有稳定搜索策略,从而降低算法的不确定性,使它能更充分地探索解空间。选取9个常规测试函数与CEC2014测试集中的部分函数进行仿真实验,得到的结果表明:与标准FPA以及变种算法HSFPA(FPA based on Hybrid Strategy)相比,NNFPA在所选测试函数上具有较高的搜索精度和收敛速度。可见NNFPA具有更好的寻优能力。展开更多
文摘为了降低花朵授粉算法(FPA)重复探索的情况,并提高算法的种群多样性和空间搜索能力,提出一种基于神经网络优化的花朵授粉算法(NNFPA)。设定自适应控制因子,从而动态地切换全局与局部搜索;利用多方信息的全局搜索策略提高算法收敛速度并维持花粉种群的多样性,同时减少在算法迭代后期种群对社会属性的依赖;基于神经网络的局部搜索策略让算法具有记忆功能,这样算法就能具有稳定搜索策略,从而降低算法的不确定性,使它能更充分地探索解空间。选取9个常规测试函数与CEC2014测试集中的部分函数进行仿真实验,得到的结果表明:与标准FPA以及变种算法HSFPA(FPA based on Hybrid Strategy)相比,NNFPA在所选测试函数上具有较高的搜索精度和收敛速度。可见NNFPA具有更好的寻优能力。
