粒子群优化算法文献阅读
文章目录
粒子群优化算法文献阅读前言题目:Enhanced multi-swarm cooperative particle swarm optimizer期刊:Swarm and Evolutionary Computation(,Q1)作者:Jiawei Lu, Jian Zhang∗, Jianan Sheng,School of Mechanical Engineering, Tongji University, Shanghai 04, China一、创新点二、实验方法1. 延迟激活机制停滞检查机制构建激活样本合作工作模式2.排斥机制3. 算法流程图三、实验结果参数设置实验对比计算时间其他算法比较总结前言
题目:Enhanced multi-swarm cooperative particle swarm optimizer
期刊:Swarm and Evolutionary Computation(,Q1)
作者:Jiawei Lu, Jian Zhang∗, Jianan Sheng,School of Mechanical Engineering, Tongji University, Shanghai 04, China
一、创新点
延迟更新策略:检查子种群是否进入停滞状态,能够避免算法陷入局部最优排斥机制:避免子种群过早靠近最优解,能够缓解早期错误信息的分享和保持种群的多样合作工作模式:根据不同的环境,EMPSO自动的调节子种群之间的合作二、实验方法
1. 延迟激活机制
停滞检查机制
𝛿sbestj(𝑖𝑡𝑒𝑟) = 𝑓[sbestj(𝑖𝑡𝑒𝑟)] − 𝑓[sbestj(𝑖𝑡𝑒𝑟-1)] ≤ 0, 𝑗 = 1, 2, …, 𝑀
Where sbestj (j = 1, 2,…, M) (where M is the total number of sub-swarms) represents the best position discovered by sub-swarm j.
如果𝛿sbestj =0,该种群的最优粒子在本次迭代中没有改变,需证明其引导种群的能力变弱,通过引入停滞检查计数器𝜃,如果sbest没有更新则𝜃开始工作,如果达到阈值Θ,则通过多种群合作使用激活样本
激活停滞状态。如果𝛿sbestj <0,种群更新状态良好,停滞检查计数器关闭等待下次触发
构建激活样本
Where rd is a random number uniformly distributed in [0, 1], Activationdjd represents the dth dimension of activating exemplar of sub-swarm j.
Pro = 1/D
合作工作模式
竞争性:种群总是由最优子群引导
合作性:其他子群可以从最优种群中学习经验
2.排斥机制
在多种群PSO技术中,不同的子群勘探不同的区域是一种期望的状态。但当问题存在多个局部最优时,当前最优子群可能陷入伪最优的区域导致错误的信息传播,使得其他子群很容易被吸引到相同的区域,导致过早收敛。
引入如下排斥机制公式:
the parameter rd is a random number uniformly distribution in [0, 1], Ld and Ud are the lower and upper bounds of the dimension.
距离函数如图所示,呈现靠近gbest的粒子会受到更大的斥力的排斥,以探索搜索范围的进一步区域,而远离gbest的粒子几乎不受影响。
mod(iter,R):表示每R次迭代【R表示检查的频率,即每200次进行一个排斥机制】,如果子种群mod(iter,R) = 0没有改变则进行排斥机制操作,否则不进行排斥机制【不进行排斥机制是因为gBest可能会被当作激活粒子改善种群停滞的状态,所以要保存这种同化效应】
3. 算法流程图
三、实验结果
参数设置
N (population size) = 40, M(subswarm number) = 4, w = 0.4, c1 = c2 = 2.0,Θ (stagnation delay) = 30, T (refreshing gap) = 6, R (repulsive cycle) = 200
实验对比
在30维和50维的cec函数上表现最好
计算时间
在计算时间上,多群PSO的效率较高,这是因为多子群合作加快搜索速度。
其他算法比较
总结
学习PSO的研究现状。