PSO算法的改进策略

本文共793个字,预计阅读时间需要2分钟。

PSO(PSO——Particle Swarm Optimization)(基于种群的随机优化技术算法)
粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为,这些群体按照一种合作的方式寻找食物,群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。

简介:

粒子群优化(PSO)算法概述

更多PSO相关文章及代码请访问:

机器学习导航

改进PSO算法

①gbest是PSO算法中的关键,在多次迭代后,gbest不再提升的原因很可能是其陷入了局部最优,为了防止其永久收敛我们需要重置gbest的部分基因,即将某些基因随机变异再评价是否提升,如果提升则替换,如果没有则回滚。

②pbest的局部搜索策略,同样地对于pbest来说,我们需要对其进行局部搜索来加快种群的收敛性。在二进制编码的PSO中,我们可以通过pbest部分基因位的flip策略来提升。

示意图:

缺点:以上两点虽然可以提升算法性能,但是由于其增加了评价次数,增加了时间的消耗,在大规模问题中有待改善。

参考资料:Tran B, Xue B, Zhang M. Improved PSO for Feature Selection on High-Dimensional Datasets[C]// Asia-Pacific Conference on Simulated Evolution and Learning. Springer International Publishing, 2014:503-515.

读者评分
[评分人数: 0 平均分: 0]

评论