论文简介:
优化问题是管理决策、工业生产、资源调度、军事国防等领域极为常见的问题,随着实际问题的复杂度提升、变量维度增多,传统的确定性优化算法(分支定界法、D.C.规划法等)无法取得精确的决策方案。凭借灵活性、参数易调整等特点,以粒子群优化算法(PSO)为代表的群体智能优化算法得到了越来越多学者的青睐。针对PSO早熟收敛、易于陷入局部最优等问题,作者提出了精英普通粒子协同的粒子群优化算法(EOPSO)。EOPSO从个体进化状态着手,将种群中的个体分为两组:精英粒子和普通粒子。精英粒子在自信学习样本的指引下,广泛探索决策变量中有希望的区域以实现高水平的全局探索目标。通过谦虚学习样本,普通粒子对已探索的区域进行分析,完成局部辅助搜寻工作的同时提升了算法的局部开发性能。此外,文章提出的基于两种粒子的信息交互的跳出策略有效的解决粒子进化停滞现象。文章分析论证了算法的复杂度和可行性,并采用CEC2017基准函数与8种先进的PSO算法和10种新型的元启发式优化算法进行对比。实验结果不仅证实了EOPSO的优越性和竞争力,而且揭示了它具备合理调节种群多样性、有效避免局部最优和精确收敛至全局最优的能力。
期刊简介:
《Information Sciences》是Elsevier旗下信息科学领域权威期刊,主要报道机器学习和智能系统等领域的最新研究进展。该期刊当前影响因子为IF(2021)=8.233,属于中科院分区一区Top期刊、CCF-B类期刊,也是信息系统领域Top期刊。
作者简介:
赵仕存,中共党员,我院2020级管理科学与工程专业硕士研究生,导师王达。赵仕存获得山东省第二届“泉城奖学金”,山东师范大学第七届研究生“学术十杰”。目前主要研究方向设计群体智能算法、复动力系统参数辨识等,在《Fractals》、《Information Sciences》等期刊累计发表SCI一区TOP论文三篇,其中第一作者(导师通讯)一篇,第二作者(导师一作、通讯)两篇。