一种基于改进的磷虾群和粒子群的混合算法.pdf

本文主要介绍了一种基于改进的磷虾群（Krill Herd，KH）和粒子群优化（Particle Swarm Optimization，PSO）算法的混合算法（Adaptive Improved Particle Swarm Optimization based on Krill Herd，AIPSOKH）。该算法旨在解决传统磷虾群算法在求解高维复杂优化问题时容易陷入局部最优和求解精度低的缺陷。文中详细描述了改进策略的细节，并通过实验验证了AIPSOKH算法在全局搜索能力和求解精度上的优越性。 我们了解到智能优化算法是通过模拟自然现象或过程而发展出的算法，这类算法具有全局搜索、并行高效以及鲁棒性和通用性强的特点，已被广泛应用于计算机科学、优化调度、运输问题等领域。传统的磷虾群算法由Gandomi和Alavi于2012年提出，其优势在于快速收敛，但存在易陷入局部最优和求解精度不高的问题。为解决这一问题，研究者们提出了一些改进策略，例如将混沌搜索、步长缩放因子、差分进化等方法引入磷虾群算法中。然而，这些改进并没有完全解决上述问题。 AIPSOKH算法的核心在于对磷虾群算法的改进和与粒子群优化算法的结合。算法首先对磷虾群算法中的觅食权重和诱导权重进行非线性递减策略调整，然后将其与惯性权重线性递减的粒子群算法（LDWPSO）混合。为避免局部最优，采用双子种群并行计算策略，即在每次迭代后将新生成的两个子种群融合产生新的母种群，再进行自然选择和下一轮迭代。该策略不仅提升了母种群的多样性，还加强了算法的全局搜索能力和局部搜索能力，从而提升了运行效率。 磷虾群算法模拟的是南极磷虾在海洋环境中的运动行为，其个体位置更新受到三个因素影响：诱导运动、觅食运动和随机扩散。文章详细介绍了磷虾个体速度更新的公式，以及位置更新的计算方法。在算法中还引入了遗传算子（交叉或变异），以提升算法性能，实验表明交叉算子更为有效。 算法中的非线性递减策略表现在觅食权重和运动权重随迭代次数的增加而递减，这有利于算法跳出局部极小点，避免陷入局部最优。此外，AIPSOKH算法执行的交叉算子有效促进了种群的多样性，进一步提高了算法的全局搜索能力。 文章通过8个标准测试函数的对比实验，验证了AIPSOKH算法在全局搜索能力和求解精度上均优于改进前的磷虾群算法和另外两种优化算法，突出了其显著的优势。 文章还提供了作者简介，包括基金项目和联系方式等信息，为后续的学术交流和深入研究提供了可能。 该混合算法通过引入并行策略、非线性递减策略以及遗传算子，显著提高了求解高维复杂优化问题的能力，为智能优化算法的发展提供了新的研究思路。