基于多元竞争淘汰的自然计算方法

在自然计算方法中,为解决高维数据优化问题,需提高种群规模以获得更高精度,但同时需要的时间复杂度较大,若种群规模降低又会因种群多样性不足导致算法陷入局部最优。为解决优化过程中种群规模难以平衡、算法收敛速度慢及易陷入局部最优等问题,提出一种基于多元竞争淘汰（multiple competitive elimination,MCE）策略的自然计算方法,其适用于各类优化算法,而不依赖于算法进化的具体步骤,具有普适性。首先将原始解空间划分为具有竞争关系的两类大空间,每类大空间中细化分解为N元小空间;然后在两类大空间中分别执行反向学习和混合变异两种不同的淘汰方法,淘汰较差个体;最后选取N元小空间的部分较优个体跨两类大空间进行竞争交换以保持整体种群的多样性,提高了算法收敛速度和收敛精度。将该策略分别应用到粒子群算法和遗传算法中,并与标准粒子群算法、遗传算法及目前较先进的改进群智能优化算法对比,利用高维经典测试函数验证其性能。实验结果表明,多元竞争淘汰改进算法较其他对比算法表现出了更好的寻优能力,具有普适性。