粒子群优化算法文献阅读

文章目录

粒子群优化算法文献阅读前言题目：Enhanced multi-swarm cooperative particle swarm optimizer期刊：Swarm and Evolutionary Computation（，Q1）作者：Jiawei Lu, Jian Zhang∗, Jianan Sheng，School of Mechanical Engineering, Tongji University, Shanghai 04, China一、创新点二、实验方法1. 延迟激活机制停滞检查机制构建激活样本合作工作模式2.排斥机制3. 算法流程图三、实验结果参数设置实验对比计算时间其他算法比较总结

前言

题目：Enhanced multi-swarm cooperative particle swarm optimizer

期刊：Swarm and Evolutionary Computation（，Q1）

作者：Jiawei Lu, Jian Zhang∗, Jianan Sheng，School of Mechanical Engineering, Tongji University, Shanghai 04, China

一、创新点

延迟更新策略：检查子种群是否进入停滞状态，能够避免算法陷入局部最优排斥机制：避免子种群过早靠近最优解，能够缓解早期错误信息的分享和保持种群的多样合作工作模式：根据不同的环境，EMPSO自动的调节子种群之间的合作

二、实验方法

1. 延迟激活机制

停滞检查机制

𝛿sbestj(𝑖𝑡𝑒𝑟) = 𝑓[sbestj(𝑖𝑡𝑒𝑟)] − 𝑓[sbestj(𝑖𝑡𝑒𝑟-1)] ≤ 0, 𝑗 = 1, 2, …, 𝑀

Where sbestj (j = 1, 2,…, M) (where M is the total number of sub-swarms) represents the best position discovered by sub-swarm j.

如果𝛿sbestj =0，该种群的最优粒子在本次迭代中没有改变，需证明其引导种群的能力变弱，通过引入停滞检查计数器𝜃，如果sbest没有更新则𝜃开始工作，如果达到阈值Θ，则通过多种群合作使用激活样本

激活停滞状态。如果𝛿sbestj <0,种群更新状态良好，停滞检查计数器关闭等待下次触发

构建激活样本

Where rd is a random number uniformly distributed in [0, 1], Activationdjd represents the dth dimension of activating exemplar of sub-swarm j.

Pro = 1/D

合作工作模式

竞争性：种群总是由最优子群引导

合作性：其他子群可以从最优种群中学习经验

2.排斥机制

在多种群PSO技术中，不同的子群勘探不同的区域是一种期望的状态。但当问题存在多个局部最优时，当前最优子群可能陷入伪最优的区域导致错误的信息传播，使得其他子群很容易被吸引到相同的区域，导致过早收敛。

引入如下排斥机制公式：

the parameter rd is a random number uniformly distribution in [0, 1], Ld and Ud are the lower and upper bounds of the dimension.

距离函数如图所示，呈现靠近gbest的粒子会受到更大的斥力的排斥，以探索搜索范围的进一步区域，而远离gbest的粒子几乎不受影响。

mod(iter,R):表示每R次迭代【R表示检查的频率，即每200次进行一个排斥机制】，如果子种群mod(iter,R) = 0没有改变则进行排斥机制操作，否则不进行排斥机制【不进行排斥机制是因为gBest可能会被当作激活粒子改善种群停滞的状态，所以要保存这种同化效应】

3. 算法流程图

三、实验结果

参数设置

N (population size) = 40, M(subswarm number) = 4, w = 0.4, c1 = c2 = 2.0,Θ (stagnation delay) = 30, T (refreshing gap) = 6, R (repulsive cycle) = 200

实验对比

在30维和50维的cec函数上表现最好

计算时间

在计算时间上，多群PSO的效率较高，这是因为多子群合作加快搜索速度。

其他算法比较

总结

学习PSO的研究现状。

如果觉得《粒子群优化算法改进之多子群合作粒子群优化算法》对你有帮助，请点赞、收藏，并留下你的观点哦！