控制与决策

作者：于海波,朱秦娜,康丽,乔钢柱,曾建潮

单位：中北大学 计算机科学与技术学院,太原 030051;中北大学 大数据与视觉计算研究所,太原 030051,,中北大学 计算机科学与技术学院,太原 030051;中北大学 大数据与视觉计算研究所,太原 030051,,中北大学 环境与安全工程学院,太原 030051,,中北大学 计算机科学与技术学院,太原 030051;中北大学 大数据与视觉计算研究所,太原 030051,,中北大学 计算机科学与技术学院,太原 030051;中北大学 大数据与视觉计算研究所,太原 030051,

关键词：粒子群优化;差分演化;多算子协同;榜样竞争;偏向性变异策略;精英学习

基金：国家自然科学基金青年基金项目(62106237)； 国家自然科学基金联合基金项目(U21A20542)；山西省自然科学基金项目(201901D211237).

针对粒子群优化算法在处理高维、大规模、多变量耦合、多模态、多极值属性优化问题时易早熟收敛等性能和技术瓶颈,基于粒子群优化算法行为学习算子和3种不同学习偏好的差分变异算子,建立带偏向性轮盘赌的多算子选择与融合机制,提出一种带偏向性轮盘赌的多算子协同粒子群优化算法MOCPSO.MOCPSO针对迭代粒子群榜样粒子集,首先通过对迭代种群及其榜样粒子集优劣分组,同时采用轮盘赌分别为每组榜样粒子集选配不同学习偏好的变异算子,并为每组榜样粒子适配差分基向量和最优基向量,预学习并优化迭代种群及其榜样粒子,以权衡算法的全局探索和局部开发;然后通过合并所有子种群,并结合粒子群优化算法行为学习算子,指导迭代种群状态更新,以提高算法的全局收敛性;最后结合精英学习策略,对群体历史最优进行高斯扰动,以提高算法的局部逃生能力,保障算法收敛的多样性.实验结果表明,MOCPSO算法与5种先进的同类型群智能算法在求解CEC2014基准测试问题上具备竞争力,且有更强的优化特性.

来源：2024年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第4期