并行协作骨干粒子群优化算法

为解决骨干粒子群优化(Bare-Bone Particle Swarm Optimization,BBPSO)的早期收敛问题,本文通过粒子的运动行为分析了导致BBPSO早期收敛的因素,并提出并行协作BBPSO,该算法采用并行的主群和从群之间的协作学习来平衡勘探和开采能力.为了增强主群的勘探能力,提出动态学习榜样策略以保持群体多样性;同时提出随机反向学习机制以实现从群的从全局到局部的自适应搜索功能.在14个不同特征的测试函数上将本文算法与6种知名的BBPSO算法进行对比,仿真结果和统计分析表明本文算法在收敛速度和精度上都有显著提高.     

PSO模型种群多样性与学习参数的关系研究

粒子群优化(Particle Swarm Optimzation,PSO)算法在求解复杂多峰问题时,易陷入早期收敛.通过调整惯性权重和加速系数来控制种群多样性是缓解PSO早期收敛的一个重要手段,但是目前对惯性权重和加速系数的设置主要依赖于实验设计,缺乏必要的理论支撑.针对该问题,本文提出了一种以种群未来的多样性变化调整...