基于多尺度选择性学习和探测-收缩机制的PSO算法.pdfVIP

第５期 电　　子　　学　　报 Ｖｏｌ．４４　Ｎｏ．５ ２０１６年５月 ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡ Ｍａｙ　２０１６ 基于多尺度选择性学习和探测 收缩机制的ＰＳＯ算法 １，２ ３ ４ １，２ １，２ 夏学文 ，桂　凌 ，戴志锋 ，谢承旺 ，魏　波 （１．华东交通大学软件学院，江西南昌，３３００１３；２．华东交通大学智能优化与信息处理研究所，江西南昌，３３００１３； ３．华东交通大学经济管理学院，江西南昌，３３００１３；４．湖北经济学院信息管理学院，湖北武汉，４３０２０５） 　　摘　要：　针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点，提出了一种具有多尺度选择性 学习和探测收缩机制的ＰＳＯ算法．在多尺度选择性学习机制中，粒子根据其自身进化状态在拓扑结构、邻居个体、目 标变量维等多个尺度上进行选择性学习，提升粒子个体的学习效率；在探测收缩机制中，算法利用历史信息指导种群 最优解进行探测，提高其逃离局部最优的能力，当判断种群历史最优解处于全局最优解附近时，执行空间收缩策略，将 种群的搜索空间限定在较小的一个区域，增强算法的开采能力，提高算法的求解精度．通过和其它ＰＳＯ算法在２２个 典型测试函数的实验对比表明，本算法能有效克服早熟收敛、加快收敛速度、提高求解精度． 关键词：　粒子群算法；早熟收敛；多尺度学习；探测策略 中图分类号：　ＴＰ３０１　　　文献标识码：　Ａ　　　文章编号：　０３７２２１１２（２０１６）０５１０９０１１ 电子学报ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｅｊｏｕｒｎａｌ．ｏｒｇ．ｃｎ　 ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０３７２２１１２．２０１６．０５．０１２ ＡＰＳＯＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＭｕｌｔｉｓｃａｌｅＳｅｌｅｃｔｉｖｅＬｅａｒｎｉｎｇａｎｄ ＤｅｔｅｃｔｉｎｇＳｈｒｉｎｋｉｎｇＳｔｒａｔｅｇｉｅｓ １，２ ３ ４ １，２ １，２ ＸＩＡＸｕｅｗｅｎ ，ＧＵＩＬｉｎｇ，ＤＡＩＺｈｉｆｅｎｇ，ＸＩＥＣｈｅｎｇｗａｎｇ ，ＷＥＩＢｏ （１．ＳｃｈｏｏｌｏｆＳｏｆｔｗａｒｅ，ＥａｓｔＣｈｉｎａＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ，Ｊｉａｎｇｘｉ３３００１３，Ｃｈｉｎａ； ２．ＩｎｔｅｌｌｉｇｅｎｔＯｐｔｉｍｉｚａｔｉｏｎ＆ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＬａｂ，ＥａｓｔＣｈｉｎａＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ，Ｊｉａｎｇｘｉ３３００１３，Ｃｈｉｎａ； ３．ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔ，ＥａｓｔＣｈｉｎａＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ，Ｊｉａｎｇｘｉ３３００１３，Ｃｈｉｎａ ４．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＭａｎａｇｅｍｅｎｔ，ＨｕｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＥｃｏｎｏｍｉｃｓ，Ｗｕｈａｎ，Ｈｕｂｅｉ４３０２０５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：　Ｔｏｏｖｅｒｃｏｍｅｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｔｈｅｔｒａｄｉｔｉｏｎａｌｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＰＳＯ），ｓｕｃｈａｓｐｏｏｒ ａｂｉｌｉｔｙｔｏｅｓｃａｐｅａｌｏｃａｌｏｐｔｉｍａｌ，ｐｒｅｍａ