基于模糊高斯學習策略的粒子群進化融合算法

　　針對粒子群優(yōu)化（PSO）算法存在的開發(fā)能力不足，導致算法精度不高、收斂速度慢以及微分進化算法具有的探索能力偏弱，易陷入局部極值的問題，提出一種基于模糊高斯學習策略的粒子群一進化融合算法。在標準粒子群算法的基礎上，選取精英粒子種群，運用變異、交叉、選擇進化算子，構建精英粒子群一進化融合優(yōu)化機制，提高粒子種群多樣性與收斂性；引入符合人類思維特性的模糊高斯學習策略，提高粒子尋優(yōu)能力，形成基于模糊高斯學習策略的精英粒子群和微分進化融合算法。對9個標準測試函數進行了計算測試和對比分析，結果表明函數Schwefel.1.2、Sphere、Ackley.Griewank與Quadric Noise計算平均值分別為1.5E - 39、8.5E - 82、9.2E - 13、5.2E - 17、1.2E - 18，接近算法最小值；Rosenbrock、Rastrigin、Schwefel及Salomon函數收斂平均值較四種對比粒子群優(yōu)化算法計算結果提高了1-3個數量級；同時，收斂性顯示算法收斂速度較對比算法提高了5%- 30%。算法在提高計算收斂速度和精度上效果明顯，具有較強的逃離局部極值的能力和全局搜索能力。
?