A novel multi-swarm particle swarm optimization with dynamic learning strategy(一种新颖的具有动态学习策略的多种群粒子群优

1、核心

  • 在每个子种群的粒子被划分为普通粒子(ordinary particles)和交流粒子(communication particles),在每次迭代过程中,不同的粒子执行不同的进化操作。普通粒子用于探索能力(exploitation),交流粒子用于开发能力(exploration)。
  • 设置一个动态的逐渐增加的控制参数p,用于实现分类操作,即将粒子分为普通粒子和交流粒子,同时,使普通粒子逐渐进化为交流粒子。

2、相关描述

  • 将初始种群(original population)划分为M*N个粒子(M为子种群数量,N为每个子种群的粒子数)。
  • 将每个子种群中的最佳粒子(best particle)被当做 lbest. 通过公式(3)来指导每个子种群中的粒子(普通粒子,implemented as a probability 1 − p)的进化。  A novel multi-swarm particle swarm optimization with dynamic learning strategy(一种新颖的具有动态学习策略的多种群粒子群优
  •  对于每个子种群中的交流粒子,以概率p 通过公式(4)执行粒子的进化。

          A novel multi-swarm particle swarm optimization with dynamic learning strategy(一种新颖的具有动态学习策略的多种群粒子群优

          其中,lbestm表示到目前为止在每个子种群中发现的最佳粒子的位置,m=[1,2,...,M]。

  • 图1清楚的解释了提出的具有动态学习策略的多种群粒子群算法的概念。

          A novel multi-swarm particle swarm optimization with dynamic learning strategy(一种新颖的具有动态学习策略的多种群粒子群优

  • 位置更新公式通过公式(2)执行。

  A novel multi-swarm particle swarm optimization with dynamic learning strategy(一种新颖的具有动态学习策略的多种群粒子群优

3、算法伪代码

  A novel multi-swarm particle swarm optimization with dynamic learning strategy(一种新颖的具有动态学习策略的多种群粒子群优

A novel multi-swarm particle swarm optimization with dynamic learning strategy(一种新颖的具有动态学习策略的多种群粒子群优

 

上一篇:Swarm 之集群部署


下一篇:SpringCloud微服务服务间调用之OpenFeign介绍