协同进化策略的粒子群优化算法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2019 年 第 40 卷 第 8 期
软
件
Hale Waihona Puke COMPUTER ENGINEERING & SOFTWARE
2019, Vol. 40, No. 8 国际 IT 传媒品牌
协同进化策略的粒子群优化算法
杨 蕾，梁永全
（山东科技大学 计算机科学与工程学院，山东 青岛 266590）
摘 要: 为了进一步提高粒子群优化算法的寻优精度，并改善收敛速度慢的问题，本文基于传统的粒子群优化 算法，借鉴协同进化的思想和共生机制，提出了将协同进化算法和粒子群算法相结合的算法模型（CEA-PSO）。群 体内部采用精英保留策略保留精英个体，将个体的进化和群体之间发生信息交换，达到优势互补的效果。实验结果 表明，协同进化策略的粒子群优化算法精度更高，优化性能更佳。
针对这两个问题，本文在粒子群算法的基础上， 借鉴合作型协同进化的思想和共生机制，提出了将 协同进化算法和粒子群算法相结合的算法模型。用 实验结果证明本文算法能改善基本 PSO 算法中收敛 速度慢的问题。
作者简介: 杨蕾(1995)，女，硕士研究生，主要研究方向：云计算与大数据、智能信息处理；梁永全(1968)，男，博士，教授，博士 生导师。主要研究方向：机器学习、数据挖掘、人工智能、信息智能处理。
杨 蕾等：协同进化策略的粒子群优化算法
多粒子协同进化算法解决多目标优化问题。寻优精 度和收敛有了很大提升，但还是有改进空间。
0 引言
随着社会经济和信息技术的快速发展，各个领 域中的问题都可以通过将待决解决问题转化为优化 问题来处理，目前存在的优化算法大致可以分为两 类：传统优化算法和智能优化算法。传统优化算法 一般是针对结构化的问题，有较为明确的问题和条 件描述，如线性规划，二次规划，整数规划，混合 规划，带约束和不带约束条件等，即有清晰的结构 信息；现代智能优化算法主要包括差分进化算法 (Differential evolutionary, DE)[1] 、 粒 子 群 算 法 （Particle swarm optimization, PSO）[2,3]、遗传算法 （Genetic algorithm, GA）[4]、蚁群算法（Ant colony optimization, ACO）[5]、人工蜂群算法（Artificial bee colony, ABC）[6]等。协同进化算法[7（] Co-Evolutionary
YANG Lei, LIANG Yong-quan
(College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China)
【Abstract】: In order to further improve the optimization precision of the particle swarm optimization algorithm and improve the convergence speed. Based on the traditional particle swarm optimization algorithm, this paper proposes an algorithm model (CEA-PSO) combining co-evolution algorithm and particle swarm optimization algorithm with reference to the idea of co-evolution and symbiosis. Elite retention strategies are used within the group to retain elite individuals, information exchange occurs between the evolution of individuals and groups to achieve complementary effects. The experimental results show that the particle swarm optimization algorithm base on co-evolution strategy has higher precision and better optimization performance. 【Key words】: Co-evolution; Particle swarm optimization; Elite retention strategy
cosoftvip163com表1基本粒子群优化算法tab1basicparticleswarmoptimizationalgorithm测试函数适应值维数rosenbrock函数sphere函数griewank函数rastrigrin函数10910251713e6941971015620828634141e81331510025730685829635e61086610990240461973100e61254140014250209044772e7701190004960010489289e7767480016872049955251e7828010947884722645483e68852309599922360810416e500031100281050035791e60002909768极小值92924823225e100199470668表2协同进化策略的粒子群优化算法tab2particleswarmoptimizationalgorithmforcoevolutionarystrategy测试函数适应值维数rosenbrock函数sphere函数griewank函数rastrigrin函数11000900527e2300302e710154e421000200131e2301125e722580e831000400325e2300404e719902e341000800144e2301611e741412e251001600815e2300133e70004861003101010e2301598e70016871006400302e2301570e789475e581013200390e2301477e769589e491026600111e2300485933212e5101054000292e230071539768e4极小值9394e424490e48044599e4协同进化理论对算法进行改进并与基本粒子群优化算法进行比较提出了一种基于协同策略的粒子群优化算法该算法采用精英保留策略将个体的进化和群体之间发生信息交换
粒子群优化算法基于迭代策略，粒子在解空间 中对最优解进行搜索，计算简单，已经广泛应用在 工程优化、神经网络训练、图像处理等领域[11-13]。 但是在寻优精度和收敛速度上有待提高，为解决上 述问题，专家学者们进行了各种实验研究。Asmara 等[14]法的基提出了一种快速的粒子群协同进化优化 算法,提高了算法的收敛速度。Zhang 等[15]提出一种
关键词: 协同进化；粒子群优化算法；精英保留策略 中图分类号: TP301.6 文献标识码: A DOI：10.3969/j.issn.1003-6970.2019.08.036 本文著录格式：杨蕾，梁永全. 协同进化策略的粒子群优化算法[J]. 软件，2019，40（8）：152155
Particle Swarm Optimization Algorithm Base on Co-evolutionary Strategy
Algorithm, CEA）是研宄者在协同进化理论基础上 提出的一类新算法。这类算法强调了在进化过程中 种群内部的相互影响和种群之间的相互协调。这些 年来，许多专家学者提出了多种多样的 CEA，较主 流 的 划 分 [8] ： 竞 争 型 协 同 进 化 算 法 （ Competitive Co-Evolutionary Algorithm, Com-CEA）[9]和合作型 协同进化算法（Cooperative Co-Evolutionary Algorithm, Coo-CEA）[10]两类。
软
件
Hale Waihona Puke COMPUTER ENGINEERING & SOFTWARE
2019, Vol. 40, No. 8 国际 IT 传媒品牌
协同进化策略的粒子群优化算法
杨 蕾，梁永全
（山东科技大学 计算机科学与工程学院，山东 青岛 266590）
摘 要: 为了进一步提高粒子群优化算法的寻优精度，并改善收敛速度慢的问题，本文基于传统的粒子群优化 算法，借鉴协同进化的思想和共生机制，提出了将协同进化算法和粒子群算法相结合的算法模型（CEA-PSO）。群 体内部采用精英保留策略保留精英个体，将个体的进化和群体之间发生信息交换，达到优势互补的效果。实验结果 表明，协同进化策略的粒子群优化算法精度更高，优化性能更佳。
针对这两个问题，本文在粒子群算法的基础上， 借鉴合作型协同进化的思想和共生机制，提出了将 协同进化算法和粒子群算法相结合的算法模型。用 实验结果证明本文算法能改善基本 PSO 算法中收敛 速度慢的问题。
作者简介: 杨蕾(1995)，女，硕士研究生，主要研究方向：云计算与大数据、智能信息处理；梁永全(1968)，男，博士，教授，博士 生导师。主要研究方向：机器学习、数据挖掘、人工智能、信息智能处理。
杨 蕾等：协同进化策略的粒子群优化算法
多粒子协同进化算法解决多目标优化问题。寻优精 度和收敛有了很大提升，但还是有改进空间。
0 引言
随着社会经济和信息技术的快速发展，各个领 域中的问题都可以通过将待决解决问题转化为优化 问题来处理，目前存在的优化算法大致可以分为两 类：传统优化算法和智能优化算法。传统优化算法 一般是针对结构化的问题，有较为明确的问题和条 件描述，如线性规划，二次规划，整数规划，混合 规划，带约束和不带约束条件等，即有清晰的结构 信息；现代智能优化算法主要包括差分进化算法 (Differential evolutionary, DE)[1] 、 粒 子 群 算 法 （Particle swarm optimization, PSO）[2,3]、遗传算法 （Genetic algorithm, GA）[4]、蚁群算法（Ant colony optimization, ACO）[5]、人工蜂群算法（Artificial bee colony, ABC）[6]等。协同进化算法[7（] Co-Evolutionary
YANG Lei, LIANG Yong-quan
(College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China)
【Abstract】: In order to further improve the optimization precision of the particle swarm optimization algorithm and improve the convergence speed. Based on the traditional particle swarm optimization algorithm, this paper proposes an algorithm model (CEA-PSO) combining co-evolution algorithm and particle swarm optimization algorithm with reference to the idea of co-evolution and symbiosis. Elite retention strategies are used within the group to retain elite individuals, information exchange occurs between the evolution of individuals and groups to achieve complementary effects. The experimental results show that the particle swarm optimization algorithm base on co-evolution strategy has higher precision and better optimization performance. 【Key words】: Co-evolution; Particle swarm optimization; Elite retention strategy
cosoftvip163com表1基本粒子群优化算法tab1basicparticleswarmoptimizationalgorithm测试函数适应值维数rosenbrock函数sphere函数griewank函数rastrigrin函数10910251713e6941971015620828634141e81331510025730685829635e61086610990240461973100e61254140014250209044772e7701190004960010489289e7767480016872049955251e7828010947884722645483e68852309599922360810416e500031100281050035791e60002909768极小值92924823225e100199470668表2协同进化策略的粒子群优化算法tab2particleswarmoptimizationalgorithmforcoevolutionarystrategy测试函数适应值维数rosenbrock函数sphere函数griewank函数rastrigrin函数11000900527e2300302e710154e421000200131e2301125e722580e831000400325e2300404e719902e341000800144e2301611e741412e251001600815e2300133e70004861003101010e2301598e70016871006400302e2301570e789475e581013200390e2301477e769589e491026600111e2300485933212e5101054000292e230071539768e4极小值9394e424490e48044599e4协同进化理论对算法进行改进并与基本粒子群优化算法进行比较提出了一种基于协同策略的粒子群优化算法该算法采用精英保留策略将个体的进化和群体之间发生信息交换
粒子群优化算法基于迭代策略，粒子在解空间 中对最优解进行搜索，计算简单，已经广泛应用在 工程优化、神经网络训练、图像处理等领域[11-13]。 但是在寻优精度和收敛速度上有待提高，为解决上 述问题，专家学者们进行了各种实验研究。Asmara 等[14]法的基提出了一种快速的粒子群协同进化优化 算法,提高了算法的收敛速度。Zhang 等[15]提出一种
关键词: 协同进化；粒子群优化算法；精英保留策略 中图分类号: TP301.6 文献标识码: A DOI：10.3969/j.issn.1003-6970.2019.08.036 本文著录格式：杨蕾，梁永全. 协同进化策略的粒子群优化算法[J]. 软件，2019，40（8）：152155
Particle Swarm Optimization Algorithm Base on Co-evolutionary Strategy
Algorithm, CEA）是研宄者在协同进化理论基础上 提出的一类新算法。这类算法强调了在进化过程中 种群内部的相互影响和种群之间的相互协调。这些 年来，许多专家学者提出了多种多样的 CEA，较主 流 的 划 分 [8] ： 竞 争 型 协 同 进 化 算 法 （ Competitive Co-Evolutionary Algorithm, Com-CEA）[9]和合作型 协同进化算法（Cooperative Co-Evolutionary Algorithm, Coo-CEA）[10]两类。