李国
- 作品数：11 被引量：59H指数：5
- 供职机构：深圳大学数学与计算科学学院更多>>
- 发文基金：国家高技术研究发展计划广东省自然科学基金广东省教育部产学研结合项目更多>>
- 相关领域：自动化与计算机技术理学更多>>
- 一种带交叉因子的双向寻优粒子群优化算法被引量：3
- 2013年
- 针对传统粒子群算法易早熟、精度低、后期收敛速度慢等问题,结合反向学习理论,提出了一种基于交叉因子的双向寻优粒子群优化算法(CBMPSO)。该算法使初始种群在搜索区域均匀分布,计算粒子及其反向粒子的适应值,取最优作为初始种群;迭代过程增加对全局最差粒子的跟踪,随机开启基于交叉因子的双向学习机制。对几种典型函数的测试结果表明,CBMPSO算法的寻优能力及收敛速度有了显著提高,并且能够有效避免早熟收敛问题。
- 温雅李国徐晨
- 关键词：粒子群优化早熟收敛
- 解全局优化问题的差分进化策略被引量：3
- 2008年
- 以进化策略算法为框架,提出一种求解连续函数,特别是高维连续函数问题的优化算法——差分进化策略.该算法利用进化策略快速收敛的优点,融入了差分演化算法中具有较强全局搜索能力的变异算子.经数值实验分析表明,差分进化策略在函数优化过程中具有较强稳健性,可提高全局搜索能力,保持快速收敛优势,能用于研究生物进化、机器学习、人工智能、模糊系统及人工神经网络训练等领域.
- 潘长城徐晨李国
- 关键词：差分演化进化策略变异算子全局优化
- 基于一种自适应选择机制的混合优化算法被引量：1
- 2015年
- 针对于微分进化(DE)和粒子群优化(PSO)算法收敛精度较低和收敛速度慢的缺点,提出了基于这两种算法的混合优化算法DEPSO。该算法引入了两个新的变量指标,即在迭代过程中种群个体适应值有所优化的概率及种群的全局最优值的变化情况,通过采用这两个变量所形成的一个二维合理的选择机制,实现下一个迭代过程中关于算法的选择迭代问题。该算法一方面参数较少,实现简单;另一方面,利用新引入的第二个变量指标避免种群陷入早熟。对几种典型的测试函数进行数值模拟实验,结果表明与传统的算法比较,新的算法具有收敛精度高和收敛速度快的特点,同时对于高维的问题依然表现出较好的效果。
- 李净文李国徐晨余玉丰
- 关键词：微分进化算法粒子群优化算法混合优化算法
- 全局收敛的PSO算法的种群多样性特征被引量：7
- 2008年
- PSO算法的早熟收敛与种群多样性有着密切的关系,传统观念认为,多样性丧失导致了算法的早熟收敛。为了避免早熟收敛现象的发生,很多学者提出了很多控制、保持或增大多样性的措施,但是并不是增大了多样性之后早熟收敛现象就会改善。那么,到底什么样的多样性才会有利于算法的持续收敛?通过对6个测试函数用3种算法做实验,深入探讨了PSO的收敛性与种群多样性的关系,描述了PSO算法理想的种群多样性曲线,对改进算法提出了指导性建议。主要观点是,一个好的算法应该是能够保持比较大的多样性曲线的震动频率和振幅,尤其是算法前期的震动频率和振幅,而不是保持比较大的多样性,因为比较大的多样性曲线的震动频率和振幅有利于算法寻找全局搜索和局部搜索的平衡点。
- 李国徐晨吴延科
- 关键词：PSO进化算法种群多样性
- 关于简单遗传算法变异率的理论分析被引量：4
- 2006年
- 本文主要目的在于通过对状态方程解的研究,讨论简单遗传算法中变异率的取值对算法收敛性态的影响,所得结果蕴含着“当变异算子的作用率很小时,算法收敛于早熟集的概率几近于1”的结论。同时,我们对于算法收敛于早熟集的概率给出了一个下界估计。
- 李国阮晓青
- 关键词：简单遗传算法变异算子
- 一种新的位置变异的PSO算法被引量：8
- 2010年
- 针对标准粒子群优化算法在优化高维复杂函数时易产生早熟收敛的问题,提出一种新的位置变异的PSO算法。为平衡算法的全局和局部搜索能力,新算法按一定概率交替使用随机惯性权重和标准PSO算法的惯性权重;为增强种群多样性和抑制算法早熟,新算法在每次迭代中,对满足一定条件的粒子都进行一种有效脱离局部最优区域的位置变异。最后,通过对5个标准测试函数在60维和90维的性能对比实验证实:新算法收敛精度高,且有效克服了早熟收敛问题。
- 徐生兵李国徐晨
- 关键词：粒子群优化惯性权重全局搜索局部搜索
- 学习-考试型的粒子群优化算法被引量：2
- 2009年
- 标准的粒子群算法在进化后期常易于陷入局部最优。为提高粒子群算法的寻优性能,首先对学生学习-考试机制进行分析,得到学习-考试机制的基本原则,然后,利用该原则和粒子局部最优的信息,在粒子陷入局部最优时,对粒子的位置分量进行有机地组合,即考试策略。数值实验结果证明了新策略极大地提高了粒子的寻优性能。
- 代军李国徐晨
- 关键词：粒子群优化进化计算
- 基于分组的PSO与DE的混合算法被引量：8
- 2014年
- 针对传统的粒子群优化算法(PSO)和差分进化算法(DE)在解决高维复杂函数易陷于局部最优、收敛较慢、精度低等缺点,提出了基于分组的PSO与DE混合算法(PSODE)。PSODE算法把种群按维数分为两组,每组的维数为原来的一半,而种群规模不变,一组由改进的PSO操作进化,另一组由DE操作进化,然后通过信息交换机制实现协同进化。与传统的PSO算法不同,新算法按一定的概率交替使用非线性改变的惯性权重和随机取值的惯性权重,平衡了算法的全局和局部搜索能力;同时采用边界变异策略有效克服了某些粒子因陷入早熟收敛而造成搜索失败的问题,并且增加了种群多样性。通过几个标准测试函数的实验结果表明,PSODE算法的优化能力、收敛精度显著提高,同时增强了全局收敛性能,能有效地避免算法的早熟收敛问题。
- 余玉丰李国徐晨
- 关键词：惯性权重粒子群优化算法早熟收敛差分进化
- 一种增强型的粒子群优化算法被引量：2
- 2010年
- 针对粒子群优化算法在进化后期容易陷入局部最优的缺点,提出了一种增强型的粒子群优化算法,即当粒子陷入局部极值点时,从增强粒子的自我学习能力,增强种群中其他相关粒子探索新区域的能力和增强粒子之间的信息交流三个方面来增强算法的寻优能力。数值实验结果表明,新算法具有很好的寻优性能。
- 代军李国徐晨
- 关键词：粒子群优化群体智能惯性权重局部极值
- 基于粒子群统计规律的PSO算法被引量：11
- 2006年
- 粒子群优化(particle swarm optimization,PSO)算法是一类基于群体智能的全局优化算法,以其计算迅速和易于实现而得到广泛的应用.但作为一种进化算法,它在很多问题中却容易过早收敛,陷入早熟.这与粒子群采用单一的进化策略有关,因为过于单一的进化策略使粒子群整体上有一种趋同性.针对标准PSO算法的这个问题提出了一种改进方法,改进后的PSO-σ算法实质上是Kennedy讨论过的认知模型、社会模型和完全模型的混合算法.从算法的收敛性、准确性和稳定性等方面对这种改进的算法作了试验和分析,发现均优于标准PSO算法.
- 吴延科徐晨李国
- 关键词：粒子群粒子群优化早熟
