交叉反向学习和同粒社会学习的粒子群优化算法

张新明，康 强，王 霞，程金凤

(1.河南师范大学 计算机与信息工程学院，河南 新乡 453007； 2.河南省高校计算智能与数据挖掘工程技术研究中心，河南 新乡 453007)

交叉反向学习和同粒社会学习的粒子群优化算法

张新明1,2*，康 强1，王 霞1，程金凤1

(1.河南师范大学 计算机与信息工程学院，河南 新乡 453007； 2.河南省高校计算智能与数据挖掘工程技术研究中心，河南 新乡 453007)

针对社会学习粒子群优化(SLPSO)算法存在的优化效率低、收敛速度慢等问题，提出了一种改进的SLPSO算法，即基于交叉反向学习和同粒社会学习的PSO算法(CPPSO)。首先，将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习；然后，以此交叉反向学习策略更新种群中的最优粒子位置，增强探索能力，并克服SLPSO中最优粒子无更新导致效率低下的缺点；最后，对于非最优粒子，与SLPSO采用基于维的社会学习不同，均采用新型基于粒子的社会学习机制，在提高全局搜索能力同时，更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明，CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法，如交叉搜索PSO(CSPSO)算法、自我调节的PSO(SRPSO)算法、异构综合学习的PSO(HCLPSO)算法和反向学习和局部学习能力的PSO(RLPSO)算法。

智能优化算法；粒子群优化算法；社会学习；反向学习

0 引言

(1)

(2)

其中：c1和c2是学习因子；r1和r2是区间[0,1]中两个独立的均匀分布随机变量；d表示维的序号;t是当前迭代次数。

虽然PSO被广泛应用到诸多领域解决了许多问题，但研究发现，PSO存在早熟收敛、易陷于局部最优、种群多样性丢失等问题, 导致这些问题的原因来自PSO的更新方式。……