"基于高斯变异与Levy飞行策略的混合粒子群优化算法,由谢金宵、高岳林和于宏利共同研究,发表在《宝鸡文理学院学报(自然科学版)》2021年第41卷第1期,页码5-10。该研究旨在改进粒子群优化算法,提高其解决复杂问题的精度和全局搜索能力。通过结合高斯变异和Levy飞行策略,提出GLPSO混合粒子群算法,该算法在遇到局部最优解和早熟收敛时,利用高斯变异保持种群多样性,从而增强算法性能。实验结果显示,GLPSO在5个基准测试函数上的优化效果优于其他对比算法,表现出更强的全局搜索能力和求解精度。"
基于高斯变异与Levy飞行策略的混合粒子群优化算法(GLPSO)是针对传统粒子群优化算法(PSO)的局限性而设计的一种新型优化工具。PSO算法是一种群体智能算法,模仿鸟群或鱼群的集体行为来寻找问题的最优解。然而,PSO在解决复杂优化问题时容易陷入局部最优,导致早熟收敛,从而影响求解精度。
在GLPSO算法中,引入了高斯变异策略。高斯变异是一种随机变异操作,它模拟了自然界的遗传变异过程,使得粒子能够在搜索空间中进行随机探索,有效地跳出局部最优,增加种群多样性,防止算法过早收敛。这种变异操作是在粒子无法在一定迭代次数内找到更优解时进行的,以确保算法的探索能力。
同时,GLPSO结合了Levy飞行策略。Levy飞行是一种模拟自然界中动物长距离、跳跃式迁徙的行为,用于指导粒子进行大范围的搜索。Levy飞行策略可以弥补PSO中粒子只做小幅度移动的不足,使算法能够跨越较远距离,找到可能的全局最优解。
实验部分,研究者选取了多个基准测试函数来评估GLPSO的性能,与其他优化算法进行对比。实验结果显示,GLPSO在优化精度和全局搜索能力上都表现出优越性,尤其是在解决多模态和复杂优化问题时,其高斯变异与Levy飞行的结合显著提高了算法的性能。
GLPSO混合粒子群优化算法通过集成高斯变异和Levy飞行策略,有效解决了PSO算法的局限性,提高了算法在全局搜索和求解精度上的表现,为复杂优化问题的解决提供了新的思路和工具。该研究对于优化理论的发展以及实际工程问题的求解具有重要的理论和应用价值。