交互變鄰域微分進化群搜索優(yōu)化算法.pdf

1、群搜索優(yōu)化算法是通過模擬自然界動物群體的覓食行為而構(gòu)造的隨機優(yōu)化算法。該算法具有廣闊的生物學(xué)背景，已成功應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)、醫(yī)學(xué)、電力系統(tǒng)以及機械設(shè)計等方面。但由于該算法提出的時間較短，目前對于群搜索優(yōu)化算法的研究與應(yīng)用還處于初級階段，仍存在很多問題有待深入改進和解決。為了有效改善群搜索優(yōu)化算法(GSO)的性能，論文主要從兩個角度進行研究，并最終提出了交互變鄰域微分進化群搜索優(yōu)化算法。
　　第一，論文對群搜索優(yōu)化算法的覓食策略進行

2、了分析，在群搜索優(yōu)化算法(GSO)中，跟隨者在向最優(yōu)個體靠近時采用等間距的覓食策略（固定步長為1），使用這種覓食策略很容易越過真正的最優(yōu)食物源，表現(xiàn)在算法上是全局極值點有可能沒有被采集到，從而在一定程度上影響了算法的全局搜索能力，增加了算法陷入過早收斂的概率。因此通過改變覓食策略，可以提高算法的全局收斂性和搜索效率。論文將標(biāo)準(zhǔn)模型轉(zhuǎn)化為微分模型，并采用三種不同的求解微分初值問題的方法選擇覓食策略，對群搜索優(yōu)化算法進行了改進與分析，通過仿

3、真實驗表明，改進的算法具有更強的尋優(yōu)能力，在收斂速度和精度上都有顯著提高。
　　第二，論文對群搜索優(yōu)化算法的網(wǎng)絡(luò)拓撲結(jié)構(gòu)進行分析，鄰域結(jié)構(gòu)采用全局最好模型（Gbest模型），所有微粒都只和當(dāng)前位置最好的微粒存在連接，顯然這樣的模型不是一個全連通圖，在一定程度上影響著算法的性能。論文從這一角度入手，采用類似NW模型的構(gòu)造方法，提出了交互變鄰域群搜索優(yōu)化算法(IGSO)。仿真實驗表明，IGSO算法能有效地提高最優(yōu)解的精度，其性能明顯優(yōu)