使用動態(tài)壓力控制算子進行磷蝦群算法實現(xiàn)的資料說明

　　針對基礎(chǔ)磷蝦群（KH）算法在求解復(fù)雜函數(shù)優(yōu)化問題時局部搜索能力差、求解精度低、收斂速度慢、容易陷入局部最優(yōu)等問題，提出一種基于動態(tài)壓力控制算子的磷蝦群算法（DPCKH）。該算法將一種新的動態(tài)壓力控制算子加入了標(biāo)準(zhǔn)磷蝦群算法，使其處理復(fù)雜函數(shù)優(yōu)化問題更有效。動態(tài)壓力控制算子通過歐氏距離量化了多個不同優(yōu)秀個體對目標(biāo)個體的誘導(dǎo)效應(yīng)，進而在優(yōu)秀個體附近加速產(chǎn)生新磷蝦個體，提高了磷蝦個體的局部探索能力。通過比較蟻群算法（ACO）、差分進化算法（DE）、碎蝦群算法（KH）、 改進的磷蝦群算法（KHLD）和粒子群算法（PSO），DPCKH算法在7個測試函數(shù)上的結(jié)果表明，DPCKH算法與ACO算法、DE算法、KH算法、KHLD算法和PSO算法相比有著更強的局部勘測能力，其開采能力更強。

　　群智能優(yōu)化算法是求解復(fù)雜的實際優(yōu)化問題的一種計算方法。該類算法從仿生學(xué)的角度，模擬自然界中生物生活習(xí)性在定義域中快速尋找目標(biāo)問題的最優(yōu)解，具有可擴展性、自適應(yīng)性和并行性等多種優(yōu)點。目前，群智能優(yōu)化算法被廣泛地應(yīng)用于求解復(fù)雜的優(yōu)化問題中，包括有：蟻群優(yōu)化（ Ant Colony Optimization， ACO）算法、粒子群優(yōu)化（ ParticleSwarm Optimization， PSO）算法、人工蜂群（ Artificial BeeColony， ABC）算法、遺傳算法（ Genetic Algorithm， GA）、差分進化（ Differential Evolution， DE）算法等。