● 摘要
粒子群算法是模拟自然界群体行为和智慧的一种随机全局性搜索算法。 由于该算法具有内在的并行性、鲁棒性、操作简单、所需参数少等优点， 所以受到广泛地关注，并应用于科学，工程等领域。 然而该算法在求解高维复杂问题时， 容易陷入局部最优， 而早熟收敛。 因此本文讨论了粒子群算法的改进及应用。
针对标准粒子群算法在迭代过程中没有考虑当前粒子适应度和位置的变化， 使部分粒子的个体认知能力可能会在一段时间无法提高， 从而影响算法的收敛速度及求解精度，本文提出了双评价粒子群算法。 该算法首先比较了当前粒子与迭代前粒子适应度和位置的变化。其次应用遗传算法中的变异思想对适应度和位置都劣于迭代前的粒子进行了变异， 提高粒子的个体认知能力。最后用八个标准函数测试了算法， 实验结果表明双评价粒子群算法不仅加快了收敛速度还提高了求解精度。
背包问题是典型的组合优化问题， 广泛应用于资本预算、资源分配等实际问题。 由于背包问题是NP难问题， 所以精确算法的计算复杂性随着问题规模的增加而指数增加。 因此， 本文应用双评价粒子群算法求解了背包问题。数值结果表明双评价粒子群算法可以得到理想的结果.
相关内容
相关标签