PSO变种策略——解决大规模问题：（2）TPLSO

          基于两阶段学习的大规模优化粒子群算法（TPLSO）

简介：TPLSO采用群体学习和精英学习。在群体学习阶段，TPLSO具有不同探索和开发潜力的粒子被随机选择三个粒子组成学习组，然后采用竞争机制更新学习组成员。然后对群中的所有粒子进行排序，并挑选出具有更好拟合值的精英粒子，可以保持高度的多样性，避免陷入局部最优。在精英学习阶段，一些具有良好拟合值的精英粒子将粒子聚集到群体中形成新的群体，然后这些精英粒子更新它们的位置，从而将更好的粒子替换。上面提到的那些更好的粒子是随机选择的，加速它们的收敛速度。
具体实现：
（1） 群体学习
在这个阶段，假设粒子群中的粒子数量为NP，将粒子进一步划分为NP/K组。对于每个群体来说，不同的粒子在探索和开拓搜索空间方面有不同的能力，这些粒子通过协作和竞争策略更新自己的位置。具体来说，参与者相互竞争来确定他们在组中的排名。较弱的粒子用W表示，较弱的粒子和最差的粒子分别用L1和L2表示。然后，L1通过从W学习来更新它的位置，对于L2，L1和L2都用于更新其状态。赢家直接进入精英学习阶段，输家使用以下策略更新自己的位置和速度:

（2） 精英学习
在精英学习阶段，粒子群中的粒子按照合适值的升序排序。然后，这个群体的排序较前的一批粒子被选择形成一个新的群体，用粒子数来表示，剩余的粒子直接传递给群体的下一代。此外，该集合的群体大小为NP/2，其中NP是原始群体大小。观察下一代中的粒子，我们可以看到这些粒子是精英粒子，它们比原始的粒子具有更好的拟合值。因此，这些粒子通常拥有更好的信息来指导其他粒子的学习。在形成的新群体中，粒子(j)从当前粒子群中随机选择两个更好的粒子，然后通过

图1：总流程图
创新：在多样性和收敛性中实现平衡。
理论分析证明，与LLSO相比，使其不陷入局部最优；与LLSO和Gpso相比，步调更小，增强探索能力。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！