文献类型：期刊文章

作　　者：赵嘉[1,2,3] 谢智峰[1] 吕莉[1,2,3] 王晖[1,2,3] 孙辉[1,2,3] 喻祥[1,3]

ZHAO Jia;XIE Zhi-feng;LüLi;WANG Hui;SUN Hui;YU Xiang(School of Information Engineering,Nanchang Institute of Technology,Nanchang,Jiangxi 330099,China;National-Local Engineering Laboratory of Water Engineering Safety and Effective Utilization of Resources in Poyang Lake Area,Nanchang,Jiangxi 330099,China;Jiangxi Province Key Laboratory of Water Information Cooperative Sensing and Intelligent Processing,Nanchang,Jiangxi 330099,China)

机构地区：[1]南昌工程学院信息工程学院,江西南昌330099 [2]鄱阳湖流域水工程安全与资源高效利用国家地方联合工程实验室,江西南昌330099 [3]江西省水信息协同感知与智能处理重点实验室,江西南昌330099

出　　处：《电子学报》

基　　金：国家自然科学基金(No.51669014;No.61663029;No.61663028;No.61703199);江西省杰出青年基金(No.2018ACB21029)

年　　份：2018

卷　　号：46

期　　号：11

起止页码：2633-2641

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：为克服萤火虫算法全局寻优精度不高和过早收敛的缺点,本文提出深度学习萤火虫算法.算法采用随机吸引模型,萤火虫随机选择一个粒子学习,根据历史最优位置构建广义中心粒子,对其进行一定次数的单维深度学习,学习后的粒子引导种群进化.实验发现,深度学习策略及粒子深度学习次数对算法优化性能的改善起着重要作用.12个基准测试函数的实验结果表明,算法的综合寻优性能优于其它8种最近提出的萤火虫算法.

关 键 词：全局寻优 随机吸引模型  广义中心粒子  深度学习  萤火虫算法

分 类 号：TP182] TP391]