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:
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。
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。