论文部分内容阅读
针对标准粒子群算法在求解过程中存在求解精度低、搜索后期收敛速度慢等问题,在标准粒子群算法中后期引入粒子滤波重采样步骤,然后利用已有的粒子变异方法避免具有相同的粒子.利用七种不同的测试函数对改进粒子群算法、标准粒子群算法以及其他六种粒子群算法进行对比.实验结果表明:利用粒子滤波重采样步骤改进的PSO算法具有更快的收敛速度和更好的搜索精度,且改进的算法能够全局地解决多峰问题. 为了验证粒子滤波重采样步骤与变异操作相结合这种技术具有普遍性,能够改进其他基于粒子的优化算法并且改进的算法性能更优越.选取两种具有代表性的优化算法,一是全面学习粒子群算法(CLPSO),该算法是典型的改进粒子群算法,是引用率较高的一种全局优化算法;另一种是邻域优化算法(NFO),是一种利用局部信息—即向邻居学习的粒子优化算法.二者同样具有搜索后期收敛速度慢的缺点,所以以同样的方式在二者算法中后期引入该新技术. 利用不同的测试函数进行测试.仿真结果表明:改进的全面学习粒子群算法和改进的邻域优化算法分别较全面学习粒子群和邻域优化算法可以获得更好的性能,无论是在解的精度、全局搜索能力还是稳定性和鲁棒性方面.仿真结果表明:新技术在改进基于粒子的智能算法性能上具有普遍性.