文献类型：期刊文章

作　　者：郝武伟[1] 李俊吉[2]

HAO Wu-wei;LI Jun-ji(Economic Management Department, Shanxi Traffic Vocational and Technical College, Taiyuan 030031, China;Personnel and Education Division, Taiyuan University of Science and Technology, Taiyuan 030024, China)

机构地区：[1]山西交通职业技术学院经济管理系,太原030031 [2]太原科技大学人事教育处,太原030024

出　　处：《控制工程》

基　　金：国家自然科学基金(61472269)

年　　份：2018

卷　　号：25

期　　号：5

起止页码：870-877

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、JST、ZGKJHX、核心刊

摘　　要：基于Q-learning机器学习技术的粒子群优化算法（PSO）可以提高PSO对高维问题的优化效果。首先,缩小粒子群的种群大小,通过Q-learning机器学习技术管理PSO粒子的行为;然后,Q-learning机器学习技术根据粒子的性能自适应地切换粒子的操作,性能好的操作受到奖赏,性能差的操作受到惩罚;最终,通过Q-learning学习技术的全局寻优能力来弥补PSO局部优化能力的不足。通过多组仿真实验的结果表明,该算法提高了PSO算法对高维问题的优化性能与收敛速度。

关 键 词：粒子群优化算法 机器学习  收敛速度 组合问题  局部优化  全局优化

分 类 号：TP391]