针对粒子群优化算法陷入局部最优解的问题有什么好的改进方法吗?
针对粒子群优化算法陷入局部最优解的问题有什么好的改进方法吗?
收起
大概常用的有以下几种策略
1. 在算法中实时调节改变惯性权重和学习因子等参数,例如可以在开始时增大权重,以提高全局搜索能力,
也可以根据粒子的收敛度和集中度对参数进行改变。
2. 在算法中引入随机因子或者突变因子,增大粒子的随机性,提升最优解的质量。
3. 自适应性PSO算法,引入了压缩因子χ来平衡PSO算法全局搜索与局部搜索之间的矛盾
4. 采用雁群PSO算法,把所有粒子按照最优个体适应度值进行排序,并利用排序后每个粒子前面那个
较优粒子的个体极值取代每个粒子(第一个粒子除外)的全局最优值,这样可以让粒子群体不止向一个
最优解的方向趋近,避免发生粒子的同一化,使得粒子的多样性得以保持,这在一定程度上降低了算法陷入局部最优的风险
5. 利用混沌进行PSO的初始化,能扩大粒子的搜索范围,大大增加粒子的多样性,
以当前粒子群搜索到的最优值为基础映射生成混沌序列,然后将通过混沌逆映射后
获得的最优粒子的位置随机替换当前粒子群中的一个粒子位置,以此让算法摆脱局部最优
6. 在PSO的基础上引入遗传算法,对粒子进行交叉变异等操作
报告相同问题?