论文部分内容阅读
社会情感优化算法是一种新近提出的群智能优化算法,它模拟了人类群体的决策过程。在该算法中,每个个体表示一个虚拟的人,利用情绪来选择其行为模式。其中,情绪指数是算法的一个重要参数,在标准社会情感优化算法中,该参数为线性更新模式。本文主要针对情绪指数的调节方式进行了研究,其主要工作为:(1)在现实生活中,人们的情绪总受到许多不确定因素的影响,因此,具有一定的随机性,但这一点在标准社会情感优化算法中却没有得到体现。因此,论文将随机性引入了情绪指数。由于自然界中许多动物的群体现象服从Levy分布,而人作为一种高级动物,其群体行为也应该遵循Levy分布,为此,提出了情绪指数的Levy选择策略,在该策略中,每个个体的情绪指数都遵循一个Levy分布,并随着不同的行为来调整其系数,实验结果表明该策略能有效改善算法性能;(2)按照大数定律,大量的不规则的随机事件作用的总和等价于正态分布,因此,受Levy分布的影响,我们考虑将正态分布引入情绪指数的选择策略,在该策略中,每个个体的情绪指数都遵循一个期望为0的正态分布,并随着不同的行为来调整其方差。但正态分布具有3原则,即99.97%的概率局限于区间(μ-3σ,μ+3σ)内,这表明,在正态分布的情绪选择策略中,绝大多数选择了情绪平和的形式,而情绪低落及高昂则仅有很少的概率(<0.03%)。柯西分布的形状与正态分布很类似,但柯西分布在(μ-3σ,μ+3σ)的概率较低,因此,如果选择柯西分布为情绪指数的选择策略,应能提高极端情绪发生的概率。大量实验结果表明,基于正态分布的社会情感优化算法的平均性能要优于柯西分布及Levy分布。(3)为了进一步验证基于正态分布的社会情感优化算法的性能,本文将其应用于混沌系统的控制问题,并与标准微粒群算法及标准社会情感优化算法比较,结果表明基于正态分布的社会情感优化算法的平均性能更优。