论文部分内容阅读
该文在对标准粒子群算法(Particle Swarm Optimization,PSO)和骨干粒子群算法(Bare Bones Particle Swarm Optimization,BBPSO)中粒子位置的概率密度函数进行分析比较的基础上,对BBPSO进行了改进,并证明了改进算法以概率1收敛于全局最优解.在改进算法中,主要包括如下策略:(1)基于粒子间适应值的差异,提出一种对粒子位置高斯采样均值的自适应调整策略,分析了其作用机理,提出的搜索中心自适应调整策略增加了粒子分布中心的分散度,减缓粒子在中心的聚集趋势;(2)提出了一种"镜像墙"的越界粒子处理方法,该方法能够大幅度地提高算法找到最优解的概率;(3)粒子在不同的进化时期按不同的拓扑结构选取榜样粒子:算法前期主要采用随机结构以增加群体的多样性,算法后期主要采用全局结构以使得搜索更加精细.将该文提出的算法与多种形式的改进PSO,如GPSO(Global PSO)、LPSO(Local PSO)、FIPS(Fully Informed Particle Swarm)、CLPSO(Comprehensive Learning PSO)、HPSO-TVAC(Hierarchical PSO with Time-Varying Acceleration Coefficients)、APSO(Adaptive PSO)、DMS-PSO(Dynamic Multi-Swarm PSO)、OPSO(Orthogonal PSO)、OLPSO(Orthogonal Learning PSO)、ALC-PSO(PSO with an Aging Leader and Challengers)等,以及BBPSO的标准版本和改进版本,如BBJ2(BBPSO with Jumps)、ABPSO(Adaptive BBPSO)、SMA-BBPSO(BBPSO with Scale Matrix Adaptation)等,对CEC2013标准函数进行测试,对实验数据进行非参数检验,结果表明该文改进算法的综合表现要优于其他算法.