文献类型：期刊文章

作　　者：汤可宗[1] 丰建文[1] 李芳[1] 杨静宇[2]

机构地区：[1]景德镇陶瓷大学信息工程学院,江西景德镇333403 [2]南京理工大学高维信息智能感知与系统教育部重点实验室,江苏南京210094

出　　处：《南京理工大学学报》

基　　金：国家自然科学基金(61662037);高维信息智能感知与系统教育部重点实验室开放课题资助课题(JYB201507);江西省科技计划项目(20161BAB212042);江西省教育厅科学技术研究项目(GJJ150927)

年　　份：2017

卷　　号：41

期　　号：3

起止页码：301-306

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CAS、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：为了提高粒子群优化算法搜索最优解的效率,该文提出多策略自适应粒子群优化(MAPSO)算法。通过构建多样性测试方式评价种群的分布性。粒子的进化状态分别为勘探或开发状态,通过执行实时交替策略,确定粒子的进化状态。在迭代优化时,根据粒子的多样性动态地控制惯性系数。基于所构建的多样性测试方式,通过融入精英学习策略进一步改善种群多样性,以阻止种群陷入局部解。实验结果表明,与自适应性粒子群优化(APSO)、综合性学习粒子群优化(CPSO)、振荡粒子群优化(PPSO)算法相比,MAPSO算法能够持续地改善PSO跳出局部最优解的能力,其可靠性和成功率均优于其它算法,并能有效改善搜索性能和收敛速度。

关 键 词：粒子群优化 多样性测试  实时交替策略  精英学习策略  种群多样性

分 类 号：TP391.41]