徐阳和李洪如
数学与计算机仿真（MATCOM）2023年，第208卷，C期，246-282
摘要：粒子群优化（PSO）是一种用于解决各种优化问题的著名优化方法。然而，粒子群优化算法存在早熟收敛问题，在解决复杂优化问题时无法平衡探索和开发。为了克服粒子群算法的这些缺点，提出了一种带自适应交叉操作的多样本学习粒子群优化算法（MLPSO）。在MLPSO算法中，使用了两种新的策略，即多样本选择策略（MSS）和自适应样本交叉策略（ASC）来为整个群体选择合适的学习样本。首先，在MSS中，使用两个样本池，即精英池和改进者池来保存精英和改进者。精英是指具有较好适应度的颗粒，而改良剂是指在最近连续几代中适应度得到很大改善的颗粒。在每一代中，分别从两个样本池中随机选择两个粒子，通过交叉操作为整个种群培育一个学习样本。因此，MSS策略生成的学习样本包含更多的多样性信息。其次，在ASC中，根据进化状态进行各种交叉操作以培育学习样本。因此，本文提出的ASC战略可以更好地实现勘探与开发之间的权衡。最后，使用CEC2013、CEC2017测试套件和三个工程优化问题对MLPSO的性能进行了评估。实验结果表明，MLPSO在大多数功能上都优于7种竞争PSO变体和19种元神经算法。
关键词： 多样本学习;粒子群优化;适应的;交叉操作（在EconPapers中搜索类似项目） 日期：2023 参考文献： 查看EconPapers中的参考 从CitEc查看完整的参考列表 引文： 查看经济学论文中的引文(1)
下载内容：（外部链接）http://www.sciencedirect.com/science/article/pii/S0378475422005079 全文仅供ScienceDirect用户使用
相关工作：该项目可在EconPapers的其他地方获得：搜索对于具有相同标题的项目。
导出参考： BibTeX公司 里斯（尾注、ProCite、RefMan）HTML/文本
持久链接： https://EconPapers.reec.org/repec:eee:matcom:v:208:y:2023:i:c:p:246-282
DOI（操作界面）： 2016年10月10日/j.matcom.2022.12.020
访问统计信息对于本文
数学与计算机模拟（MATCOM）目前由编辑罗伯特·博文斯
更多文章数学与计算机仿真（MATCOM）爱思维尔Catherine Liu维护的系列书目数据().
由EconPapers印刷，https://EconPapers.repec.org/repec:eee:matcom:v:208:y:2023:i:c:p:246-格林威治标准时间2024年8月2日星期五282 18:24:47
