PSO变种策略——解决大规模问题：（1）CSO

最新推荐文章于 2023-03-28 14:34:40 发布

无心偷懒——赖

最新推荐文章于 2023-03-28 14:34:40 发布

阅读量1.6k

点赞数 2

本文链接：https://blog.csdn.net/weixin_46888041/article/details/114363013

版权

本文介绍了一种名为竞争粒子群优化算法(CSO)的方法，该方法通过引入粒子间的竞争机制来改善传统粒子群优化算法(PSO)在解决大规模优化问题时易过早收敛的问题。CSO利用两个粒子群之间的竞争更新粒子状态，并采用变异策略提高全局搜索能力。此外，还提出了一种领域控制版本CSO-n，通过局部平均位置进一步增强了算法的多样性和搜索效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一种用于大规模优化的竞争粒子群优化算法
一 PSO（粒子群优化算法）
论文从PSO改进而来。
粒子群包含一组粒子，每个粒子在一维搜索空间中具有位置和速度，代表要解决的优化问题的候选解。为了定位全局最优值，每个粒子的速度和位置使用以下等式迭代更新:
在这里插入图片描述

Pbest（t）个体最优解；gbest（t）全局最优解。
缺点：因Pbest（t），gbest（t）导致过早收敛。
二 CSO（竞争粒子群优化算法）
使用gbest（t），粒子的更新是由来自两个群的粒子之间的成对竞争机制驱动的。每次比赛后，失败者将根据胜利者群体的信息进行更新，而胜利者将使用变异策略进行更新。
在这里插入图片描述

Xk（t）为全局平均位置；
结果：CSO在大规模优化问题上表现惊人，优于许多为大规模优化定制的最新元启发式算法，对更高维的问题也能产生很好的效果。
三 CSO-n（竞争粒子群优化算法领域控制的影响）
与CSO不同的是Xk（t）为局部平均位置；
优点：邻居控制增强群体多样性以及搜索性能，这意味着，对于CSO只需要很少的粒子数就可以产生很多组合，计算复杂度降低，仅为O（mn），m种群大小，n代数。