共查询到19条相似文献,搜索用时 109 毫秒
1.
标准粒子群优化算法的马尔科夫链分析 总被引:2,自引:0,他引:2
根据粒子群优化(Particle swarm optimization, PSO)算法的差分模型定义粒子状态序列和群体状态序列, 并分析其马尔科夫性质, 证明了粒子及种群的最优状态集的封闭性, 以及计算粒子一步转移概率; 进一步基于全概率公式和马氏链的性质, 推导了群体状态转到最优状态集的转移概率; 根据该转移概率, 对PSO算法的惯性权重ω和加速度因子c进行了讨论和解释, 研究了算法早熟收敛和发散等问题, 最后分析表明标准PSO算法以一定概率收敛到全局最优. 相似文献
2.
针对PSO算法对多峰值函数搜索易陷入局部极值点的缺点,提出一种改进的粒子群(MPSO)算法。MPSO算法采用逃逸策略和免疫学习策略来保证种群多样性,使算法能有效进行全局搜索。并讨论MPSO算法的收敛性,证明其能以概率1全局收敛。最后用3个常用的测试函数进行仿真,实验结果表明MPSO算法比PSO算法有更好的收敛性和更快的收敛速度。 相似文献
3.
灰狼优化(grey wolf optimization,GWO)算法是一种基于群体智能的随机优化算法,已成功地应用于许多复杂的优化问题的求解.尽管GWO算法有很多改进形式,但缺少严谨的收敛性分析,导致改进后的算法不具备理论支撑.对此,运用鞅论分析其收敛性.首先,根据GWO算法原理建立其基本的数学模型,通过定义灰狼状态空间及灰狼群状态空间,建立GWO算法的Markov链模型,并分析该算法的Markov性质;其次,介绍鞅理论,推导出一个上鞅作为最优适应度值的群进化序列;然后,运用上鞅收敛定理,并结合其Markov性质对GWO算法进行收敛性分析,证明GWO算法能以1的可能性达到全局收敛;最后,通过数值实验验证其收敛性能.实验结果表明,GWO算法具有全局收敛性强、计算耗时较低、寻优精度高等特点. 相似文献
4.
5.
6.
7.
8.
9.
10.
利用随机过程理论,对人工蜂群算法收敛性进行理论分析,给出人工蜂群算法的一些数学定义和蜜源位置的一步转移概率,建立人工蜂群算法的Markov链模型,分析此Markov链的一些性质,论证了人工蜂群状态序列是有限齐次Markov链,且状态空间是不可约的。结合随机搜索算法的全局收敛准则,证明了人工蜂群算法能够满足随机搜索算法全局收敛的两个假设,保证算法的全局收敛。 相似文献
11.
12.
13.
14.
为了提高基本PSO算法搜索性能和个体寻优能力,加快收敛速度,提出一种新的云自适应粒子群优化算法(CPSO)。此算法利用云滴具有随机性、稳定倾向性等特点,结合不同粒子与全局最优点的距离动态变化的性质,提出云自适应调整算法用于计算惯性权重,并对新算法进行了描述。通过典型函数优化实验表明,该算法较基本PSO明显提高了全局搜索能力和收敛速度,改善了优化性能。 相似文献
15.
充分利用粒子群优化算法的收敛速度较快及混沌运动的遍历性、随机性以及对初值的敏感性等特性,考虑到惯性因子对多样性的影响,通过引入早熟收敛程度评价机制,采用逻辑自映射函数来产生混沌序列,提出一种基于混沌思想的自适应混沌粒子群优化(ACPSO)算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。仿真结果表明提出的自适应混沌粒子群优化算法的性能明显优于一般混沌粒子群优化算法。 相似文献
16.
17.
通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。 相似文献
18.
王冬菊 《数字社区&智能家居》2007,1(2):1027-1027,1030
粒子群算法原理简单,易于实现,是进化算法中优化效率很高的算法。针对确定环境下的问题优化,提出采用粒子群算法对其进行优化求解。通过对确定性环境下的Benchmark函数的算法仿真研究,表明粒子群算法在确定性问题优化中具有快速收敛性和精确性的特点。 相似文献
19.
在分析多目标优化问题的基础上,提出一种随机多目标微粒群算法,该算法采用在已经获得的Pareto解集中随机选取的两个Pareto解作为微粒更新公式中的pbest和gbest微粒,从而使微粒群的多样性增加,获得均匀分布的Pareto前沿。之后利用有限齐次马尔科夫理论给出了SMOPSO算法的收敛性进行了分析,证明SMOPSO算法以概率1收敛于极小元。最后通过对两个常用多目标函数的仿真实验,验证了算法的有效性。 相似文献