论文部分内容阅读
现实世界中很多问题都可以建模为目标函数、约束条件或输入变量随时间变化的动态优化问题,传统的应用于静态环境中的粒子群算法不再适用,而诸如记忆集策略、预测策略与资源调度策略等改进策略多集中于峰数固定的情况,无法解决峰数未知的动态优化问题。鉴于此,本论文针对未知峰数动态优化问题的求解,对现有的策略进行了改进研究。
论文首先对现有的双记忆集策略进行改进。对于长期记忆集中的个体,其更新策略为选取所有优秀个体加入种群,而非随机选取若干个体;对于短期记忆集中的个体,基于个体资源竞争策略,根据个体适应度及上次搜索时适应度的提升来决定下一个被局部搜索的个体。仿真结果表明,该改进策略有效减小了局部搜索误差,且在全局搜索能力上也有一定的优势。
论文进而对神经网络预测策略进行改进。通过预测环境变化的剧烈程度,对训练集进行筛选,避免了异常数据的引入;通过对相邻两个环境中未配对的解进行标记,识别出刚消失与刚出现的峰,使算法适用于种群数量变化的情况。仿真结果表明,筛选完训练集后,训练误差及预测误差均有一定程度的下降,且在峰数未知的动态优化问题中,种群收敛速度也得到了提高。
论文最后提出了一种基于随机估计器的资源调度策略,该策略根据估计值的大小和环境的响应来更新各种群被选择的概率,并在种群数量发生变化时更新各个种群的概率,避免估计器收敛到较差的种群。仿真结果表明,该改进策略在峰数未知的动态优化问题中能够帮助种群更快地收敛。
论文首先对现有的双记忆集策略进行改进。对于长期记忆集中的个体,其更新策略为选取所有优秀个体加入种群,而非随机选取若干个体;对于短期记忆集中的个体,基于个体资源竞争策略,根据个体适应度及上次搜索时适应度的提升来决定下一个被局部搜索的个体。仿真结果表明,该改进策略有效减小了局部搜索误差,且在全局搜索能力上也有一定的优势。
论文进而对神经网络预测策略进行改进。通过预测环境变化的剧烈程度,对训练集进行筛选,避免了异常数据的引入;通过对相邻两个环境中未配对的解进行标记,识别出刚消失与刚出现的峰,使算法适用于种群数量变化的情况。仿真结果表明,筛选完训练集后,训练误差及预测误差均有一定程度的下降,且在峰数未知的动态优化问题中,种群收敛速度也得到了提高。
论文最后提出了一种基于随机估计器的资源调度策略,该策略根据估计值的大小和环境的响应来更新各种群被选择的概率,并在种群数量发生变化时更新各个种群的概率,避免估计器收敛到较差的种群。仿真结果表明,该改进策略在峰数未知的动态优化问题中能够帮助种群更快地收敛。