以经典的粒子群算法(PSO)为例,在23个基准测试函数上进行定性分析实验,这三个实验可以大大增加论文的说服力和提升论文质量,下面我们将逐一介绍这三个实验。(参考文献:DMDE: Diversity-maintained multi-trial vector differential evolution algorithm for non-decomposition large-scale global optimization)首先介绍一下23三个基准测试函数,如下表所示,F1到F7是单峰函数,用于评价算法的开发能力(exploitation),F8到F23是多峰函数,用于平均算法的探索能力(exploration)。
实验一:收敛行为分析(Convergence behavior analysis)
以单峰函数F1和多峰函数F18为例,PSO求解不同测试函数的行为通过搜索历史、平均适应度值、轨迹、和收敛曲线4个指标进行评估。该实验由随机分布在二维搜索空间中的50个个体开始,在200次迭代中找到解。下图中第一列给出了测试函数的搜索空间。在第二列(搜索历史)中,用黑点说明了进化过程中个体的运动情况,并用红点表示全局最优解。这些观察结果证明了PSO算法能够有效覆盖搜索空间,逼近问题的全局最优解。轨迹度量显示了代表性个体(第一个个体的第一个维度)在用于探索的初始迭代中的突然移动和用于利用搜索空间的最终迭代中的逐渐变化。在第三个度量中,第四列说明了种群的范围和均值,以显示搜索过程中种群的范围。最后,平均适应度显示了所有测试函数上的加速退化适应度值。这一行为表明PSO算法能够在迭代一半之前找到有前景的解。
F1
F18
实验二:种群多样性分析 (Population diversity analysis)
计算公式如下。Ic表示每次迭代中总体与质量中心c的离散度,使用Eq.(26)计算,其中参数xid表示迭代t时第i个个体的第d维的值。
实验结果如下图:以单峰函数F1和多峰函数F23为例,从单峰函数F1可以看出,种群多样性快速减少,表明算法有较好的开发能力,从多峰函数F23可以看出,种群多样性波动大,并且维持在较高水平,表明算法有较好的全局探索能力。
实验三:探索开发分析(Exploration and exploitation analysis)
公式如下:Divmax为整个迭代的最大多样性,参数xid表示迭代t时第i个个体的第d维的值。
得到的结果绘制在下图中,其中百分比(%)表示进化过程中所有种群的勘探和开发水平。以单峰函数F1和多峰函数F23为例,从单峰函数F1可以看出,开发的比例快速增加,表明算法有较好的开发能力,从多峰函数F23可以看出,探索的比例缓慢下降,表明算法有较好的全局探索能力。
下载后可获得以下内容:
相关代码私信获取