删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

基于自适应学习策略的改进鸽群优化算法*

本站小编 Free考研考试/2021-12-25
仿生智能优化算法是根据自然界中生物种群所表现出来的群体行为特性所总结的一种算法，这类算法在处理复杂问题中具有良好的表现。
2014年，Duan和Qiao[1]根据鸽群归巢这一过程中鸽群所表现出的特殊的导航行为提出了鸽群优化(Pigeon-Inspired Optimization，PIO)算法，该算法在无人机编队和控制参数优化等领域已有很好表现[2-6]，但是仍然存在一些诸如过早收敛、容易陷入局部最优等不足之处[7]。针对这些不足，许多****提出了一些改进方案，从不同角度对标准PIO算法进行了改进。Duan等[8]通过使用导航过渡因子见表 2因子tr将标准PIO两个算子合并在一个迭代循环中，并将鸽群的捕食逃逸机制引入到标准PIO中，提出了一种基于捕食逃逸鸽群优化(CPIO)算法。Yang等[9]提出了一种基于柯西分布的柯西变异鸽群启发优化(CMPIO)算法，在CMPIO算法中，分别利用柯西突变机制对PIO算法中的地图、指南针算子和地标算子进行了改进。Zhang和Duan[10]根据鸽群在飞行过程中个体间的等级制度，提出了一种新的基于社会等级的鸽群优化(SCPIO)算法，利用社会等级策略来增强标准PIO的收敛能力。Hua等[11]提出了一种自适应鸽群优化(APIO)算法，在APIO算法中，地图和指南针因子的参数设置随着迭代的进行而变化。Xiang等[12]提出了一种基于禁忌表的鸽群综合学习策略(CLPIO-TL)，该策略利用综合学习策略和自适应调节机制，不同程度地提高了鸽群的学习能力，此外，CLPIO中还使用了自适应机制来增强全局搜索能力和局部搜索能力之间的平衡。Huo等[13]提出了一种基于动态对立学习策略的突变鸽群激励优化(MPIO)算法，该算法利用具有非线性特征的突变算子增强全局搜索能力，加速全局最优鸽子的收敛速度，同时引入动态的基于对立的学习策略，使算法具有较好的收敛速度。Hu等[14]提出了一种自适应算子量子行为鸽群启发优化(AOQPIO)算法, 该算法采用地图和指南针因子R随着迭代次数的变化来平衡全局搜索能力和局部搜索能力，在地标算子阶段，提出了一个新的种群更新方程来增加搜索多样性。Liu等[15]提出了一种改进的粒子群优化(IPIO)算法，将粒子群优化(PSO)算法、逆因子和高斯因子引入PIO算法，该改进算法将原地图与指南针算子替换为PSO算法，避免了所有粒子的聚集状态，从而增加了群体的多样性，在地标算子中引入高斯因子，增强了全局搜索能力，将反向学习引入到算法中，并与粒子群的粒子学习相结合，有效地平衡全局搜索能力和局部搜索能力。Xu等[16]提出了一种独立搜索和多区域收敛鸽群启发优化(ISMCPIO)算法，该算法在PIO中引入独立搜索策略和多区域收敛机制，对包含可疑最优解的多区域进行综合搜索，提高了搜索的精度。Chen等[17]提出了一种基于量子数的混合鸽群优化(QPIO)算法，在该算法中，当前的最优解被认为是2个概率状态的线性叠加，通过量子旋转门平衡全局搜索能力和局部搜索能力。Hai等[18]将进化博弈理论引入到PIO算法中，提出了一种基于进化博弈论的自适应鸽群优化(EGTPIO)算法，在鸽群中展开双重策略进化博弈，在提高搜索效率的同时，通过增强操作符和参数之间的协调和分配来提高标准PIO算法的适应性。
本文在标准PIO算法的基础之上，引入自适应学习策略，提出了一种基于自适应学习策略的改进PIO(ALPIO)算法。所提算法针对标准PIO算法容易陷入局部最优的缺点，提出了一种基于容差的搜索方向调整策略，该策略通过判断鸽群的迭代信息，对鸽群的搜索方向进行调整；采用了基于自学习的候选者生成策略来保证该算法的搜索能力，采用了基于竞争学习的预测策略来保证算法的可用性。
1 改进的鸽群优化算法 在复杂优化问题的求解过程中，标准PIO算法容易陷入局部最优[19]。为此，本文在标准PIO算法地图与指南针算子的迭代过程中引入自适应学习策略，增强种群多样性，确保种群中个体具有更强的搜索能力、适应能力，提高算法搜索到全局最优的概率。ALPIO算法的流程如图 1所示，图中t为迭代次数。3种策略的具体描述见1.2~1.4节。
图 1 ALPIO算法流程 Fig. 1 Flowchart of ALPIO algorithm
图选项




1.1 ALPIO算法描述 步骤1??设定算法中各个参数的值，如种群数量N、搜索空间维数D、指南针因子R、地图和指南针算子最大迭代次数T1、地标算子最大迭代次数T2、最大迭代次数MaxIter。
步骤2??初始化个体的位置和速度，计算每个个体的适应度值，找出当前最好的位置。
步骤3??操作地图与指南针算子。更新个体的速度和位置，更新全局最优和个体历史最优。
步骤4??如果Prob_adjust>rand()，则停止使用当前全局最优；否则，转回到步骤3。
步骤5??使用基于自学习的候选者生成策略产生一个候选者。
步骤6??使用基于竞争学习的预测策略从候选者和当前全局最优中选取较优的作为新的全局最优。
步骤7??使用基于容差的搜索方向调整策略更新容差T和Prob_adjust。
步骤8??判断是否达到地图与指南针算子的最大迭代次数，若是，转到下一个操作; 否则，转回到步骤3。
步骤9??操作地标算子。更新种群数量和位置，计算种群中心位置，更新全局最优和个体历史最优。
步骤10??判断是否达到地标算子的最大迭代次数，若是，输出全局最优解；否则，转回到步骤9。
1.2 基于容差的搜索方向调整策略 在鸽群优化算法地图与指南针算子的迭代过程在，个体的速度和位置更新方式为
(1)

式中：R为地图与指南针因子; rand为用来生成一个[0, 1]区间内的随机数; Xgbest为在t-1次迭代循环之后全局最好的位置, t为迭代次数。
当在第t次迭代中，如果所有个体的最优位置没有发生改变，即满足
(2)

时，可以认为鸽群有可能会陷入局部最优。式中：F(Xi)t为第i个个体在第t次迭代后的适应度值; Xi为第i个个体的位置。但是不能直接判定鸽群一定会陷入局部最优，因为在复杂优化问题的求解过程中，第t次迭代后的全局最优值Xgbest具有引导种群进化的潜力，在之后的迭代中有希望寻找到全局最优值。因此，为了避免算法陷入局部最优并充分利用Xgbest的进化潜力，本文提出了一个基于容差的搜索方向调整机制[20]。
定义一个容差T作为计数器，每当在一次迭代后，所有个体的最佳位置没有变化，T就根据式(3)进行更新。
(3)

显然，T越大，说明算法越容易陷入局部最优，种群的搜索方向就应该进行调整。用Prob_adjust表示种群调整方向的概率，其计算公式为
(4)

Prob_adjust在每一次的迭代过程中更新一次，当满足Prob_adjust>rand()时，种群的搜索方向进行调整。种群不再使用当前全局最优位置Xgbest，而转向使用一个新候选者个体。
1.3 基于自学习的候选者生成策略 为了生成一个候选者来代替Xgbest在鸽群中的引导作用，本文提出了一种基于自学习的候选者生成策略。候选者的生成需要满足以下要求：①要充分利用鸽群中每个个体的最优位置信息；②要保证生成候选的候选者与全局最优Xgbest具有相似的结构。这种策略可以保证算法在每次的迭代过程中，充分利用每个个体的最优解结构，学习自身的优势。
为了使所生成的候选者能够有效地利用鸽群中所有个体的最优位置信息，并将种群引导出当前局部最优，对候选者的定义为
(5)

式中：Xpbest(k)为选择的个体的最优位置信息; Average和s为
(6)

式中：N为种群数量。
综上所述，该策略充分利用了当前种群所有个体各自的个体最优解结构，保证了算法的寻优能力。
1.4 基于竞争学习的预测策略 当候选者生成之后，不能直接用候选者代替Xgbest。因为候选者引导种群跳出当前局部最优的能力不一定比当前全局最优强。因此，为了提高算法的利用率，本文提出了一种竞争学习策略来预测候选算法的潜在引导能力。候选者生成后，ALPIO算法将在下一次迭代中通过评价个体学习候选者和Xgbest的性能来预测其潜在的引导能力。这2种个体学习的速度更新将遵循以下规则。
当种群学习当前全局最优时，其速度的更新为
(7)

当种群学习生成的候选者时，其速度的更新为
(8)

定义一个CompetitivenessL用来具体量化候选者和Xgbest引导种群寻优的潜在能力，其计算为
(9)

式中：L为种群的学习对象，即候选者和Xgbest。如果CompetitivenessCandidate大于CompetitivenessXgbest，说明生成的候选者引导种群跳出当前局部最优的能力比当前全局最优强，也就意味着候选者引导种群寻得全局最优的概率比当前全局最优的概率大。在之后的迭代过程中，种群将使用候选者作为新的学习对象。
2 仿真实验 为了验证ALPIO算法的有效性和处理复杂优化问题的能力，在CEC2013基准测试函数[21]中分别选取2个单峰函数、4个多峰函数以及2个组合函数，在维度D=10、30以及50的情况下分别与标准PIO、标准PSO和EGTPIO进行对比优化实验, 如表 1所示。
表 1 测试函数 Table 1 Test functions
函数类别 No. 函数名称 fi*=fi(x*) 定义域
单峰函数 1 Sphere Function -1400 [-100, 100]D
5 Different Powers Function -1000
多峰函数 11 Rastrigin’s Function -400
14 Schwefel’s Function -100
17 Lunacek Bi_Rastrigin Function 300
18 Rotated Lunacek Bi_Rastrigin Function 400
组合函数 22 Composition Function 2 (n=3, Unrotated) 800
28 Composition Function 8 (n=5, Rotated) 1400
注：D为搜索空间维度；fi*为函数fi的全局最优解。


表选项






2.1 参数设置 本文通过对5种算法在不同维度下的测试函数进行优化实验，其参数设置如表 2所示。其中，迭代次数以及种群数量随着优化函数维度的不同而不同；PSO算法中的学习因子c1、c2按照文献[22]推荐选择。
表 2 参数设置 Table 2 Parameter setting
参数 数值 适用算法
地图与指南针算子最大迭代次数T1 400/1 200/2 000, D=10/30/50 PIO，ALPIO
地标算子最大迭代次数T2 MaxIter-T1
全局最大迭代次数MaxIter 1000/3000/5000, D=10/30/50 所有算法
种群数量Ncmax 30/100/200, D=10/30/50
指南针因子R 0.3 PSO, SCPIO, EGTPIO, ALPIO
导航过渡因子tr 2 EGTPIO
每次迭代减少数量Ndec 1
学习因子c1 1.49445 PSO
学习因子c2 1.49445
惯性因子ω 0.5


表选项






2.2 实验结果分析 为了直观体现ALPIO算法的优越性，选取同一个基准函数f17在不同维度(10维、30维和50维)下5个算法的迭代曲线。由图 2(a)~(c)可以看出，随着搜索维度的增加，PIO、PSO以及EGTPIO容易过早收敛，陷入局部最优值；SCPIO虽然最终也能搜索到全局最优值，但在开始时会陷入局部最优；ALPIO由于增加了种群多样性，因此在每个维度下都能较快地收敛到全局最优值。可以看出，ALPIO不仅具有较好的收敛精度和较强的全局搜索能力，而且在不同维度上都表现出了良好的性能，具有普遍适用性。
图 2 D=10, 30, 50时f17迭代曲线 Fig. 2 Iteration curves of f17 at D=10, 30, 50
图选项




针对不同维度(10维、30维、50维)在8个基准测试函数上对ALPIO、PIO、PSO、SCPIO和EGTPIO进行51次独立运行。这8个基准测试函数包含有单峰函数、多峰函数以及组合函数，因此具有一定的代表性，其测试结果能很好地显示所有算法的性能。测试结果如表 3~表 5所示。下面的数据涵盖寻优结果的最好值、最差值、中位数、平均值以及方差；其中，均值越小表明算法的搜索能力越强，方差越小表明算法的稳定性越强。
表 3 D=10时测试函数上算法的性能比较 Table 3 Performance comparison of algorithms on test functions at D=10
基准函数 算法 最好值 最差值 中位数 平均值 方差
1 PIO -1.4000×103 -1.3493×103 -1.3983×103 -1.3927×103 1.3182×102
PSO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
SCPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
EGTPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
ALPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
5 PIO -1.0000×103 -9.6351×102 -9.9882×102 -9.9719×102 30.264
PSO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
SCPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 4.3495
EGTPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
ALPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
11 PIO -4.0000×102 -2.8845×102 -3.6360×102 -3.5356×102 1.7683×103
PSO -4.0000×102 -3.9403×102 -3.9901×102 -3.9809×102 4.7455
SCPIO -4.0000×102 -4.0000×102 -4.0000×102 -4.0000×102 0
EGTPIO -4.0000×102 -4.0000×102 -4.0000×102 -4.0000×102 0
ALPIO -4.0000×102 -4.0000×102 -4.0000×102 -4.0000×102 0
14 PIO -99.466 3.1140×103 1.8499×102 8.6975×102 1.3738×106
PSO -1.0000×102 1.4396×102 -99.750 -75.268 2.8283×103
SCPIO -1.0000×102 -99.998 -1.0000×102 -1.0000×102 8.0483×10-8
EGTPIO -1.0000×102 -1.0000×102 -1.0000×102 -1.0000×102 0
ALPIO -1.0000×102 -1.0000×102 -1.0000×102 -1.0000×102 0
17 PIO 3.6426×102 3.9355×102 3.8136×102 3.8053×102 66.988
PSO 3.0323×102 3.1785×102 3.1029×102 3.1014×102 24.856
SCPIO 3.0000×102 3.0097×102 3.0000×102 3.0010×102 0
EGTPIO 3.6502×102 3.6721×102 3.6622×102 3.6610×102 43.345
ALPIO 3.0000×102 3.6616×102 3.0000×102 3.0000×102 0
18 PIO 4.0000×102 4.1002×102 4.0043×102 4.0136×102 5.5533
PSO 4.0000×102 4.1000×102 4.0000×102 4.0078×102 7.3725
SCPIO 4.0000×102 4.0005×102 4.0000×102 4.0000×102 0
EGTPIO 4.0000×102 4.1000×102 4.0000×102 4.0039×102 3.8432
ALPIO 4.0000×102 4.0000×102 4.0000×102 4.0000×102 0
22 PIO 9.0011×102 4.1978×103 1.2728×103 1.9899×103 1.3803×106
PSO 9.0000×102 1.3791×103 9.0012×102 9.4073×102 9.2495×103
SCPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
EGTPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
ALPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
28 PIO 1.6000×103 1.6070×103 1.6001×103 1.6010×103 4.5682
PSO 1.6000×103 1.6002×103 1.6000×103 1.6000×103 5.5234×10-3
SCPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0
EGTPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0
ALPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0


表选项






表 4 D=30时测试函数上算法的性能比较 Table 4 Performance comparison of algorithms on test functions at D=30
基准函数 算法 最好值 最差值 中位数 平均值 方差
1 PIO -1.4000×103 -1.1955×103 -1.3949×103 -1.3759×103 1.6455×103
PSO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
SCPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
EGTPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
ALPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
5 PIO -9.9998×102 -9.5253×102 -9.9787×102 -9.9364×102 1.0811×102
PSO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
SCPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
EGTPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
ALPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
11 PIO -3.9994×102 -1.1362×102 -3.4789×102 -3.2648×102 6.0677×103
PSO -4.0000×102 -3.5722×102 -3.9005×102 -3.8763×102 1.5583×102
SCPIO -4.0000×102 -4.0000×102 -4.0000×102 -4.0000×102 0
EGTPIO -4.0000×102 -4.0000×102 -4.0000×102 -4.0000×102 0
ALPIO -4.0000×102 -4.0000×102 -4.0000×102 -4.0000×102 0
14 PIO -99.995 1.0678×104 1.6731×103 3.5922×103 1.4467×107
PSO -1.0000×102 1.3613×103 -98.612 1.6715×102 1.9816×105
SCPIO -1.0000×102 -1.0000×102 -1.0000×102 -1.0000×102 0
EGTPIO -1.0000×102 -1.0000×102 -1.0000×102 -1.0000×102 0
ALPIO -1.0000×102 -1.0000×102 -1.0000×102 -1.0000×102 0
17 PIO 3.0396×102 5.9754×102 5.8832×102 5.6157×102 8.2231×103
PSO 3.0284×102 3.5431×102 3.2714×102 3.3142×102 3.2705×102
SCPIO 3.0000×102 3.0000×102 3.0000×102 3.0000×102 0
EGTPIO 5.7408×102 5.9003×102 5.7463×102 5.7685×102 26.065
ALPIO 3.0000×102 3.0000×102 3.0000×102 3.0000×102 0
18 PIO 4.0001×102 4.1697×102 4.0413×102 4.0631×102 44.777
PSO 4.0000×102 4.0000×102 4.0000×102 4.0000×102 0
SCPIO 4.0000×102 4.0000×102 4.0000×102 4.0000×102 0
EGTPIO 4.0000×102 4.3000×102 4.0000×102 4.0600×102 1.6001×102
ALPIO 4.0000×102 4.0000×102 4.0000×102 4.0000×102 0
22 PIO 9.0567×102 1.0038×104 3.7923×103 4.8606×103 1.7354×107
PSO 9.0000×102 1.6773×103 9.6100×102 1.0725×103 6.6626×104
SCPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
EGTPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
ALPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
28 PIO 1.6000×103 1.6189×103 1.6014×103 1.6042×103 41.089
PSO 1.6000×103 1.6098×103 1.6013×103 1.6024×103 9.6456
SCPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0
EGTPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0
ALPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0


表选项






表 5 D=50时测试函数上算法的性能比较 Table 5 Performance comparison of algorithms on test functions at D=50
基准函数 算法 最好值 最差值 中位数 平均值 方差
1 PIO -1.3993×103 -1.3242×103 -1.3864×103 -1.3803×103 5.2769×102
PSO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
SCPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
EGTPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
ALPIO -1.4000×103 -1.4000×103 -1.4000×103 -1.4000×103 0
5 PIO -9.9906×102 -9.9038×102 -9.9742×102 -9.9606×103 11.036
PSO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
SCPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
EGTPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
ALPIO -1.0000×103 -1.0000×103 -1.0000×103 -1.0000×103 0
11 PIO -3.9954×102 1.1811×102 51.466 -89.763 4.9059×104
PSO -4.0000×102 -3.4030×102 -3.9154×102 -3.7622×102 7.0296×102
SCPIO -4.0000×102 -3.8009×102 -4.0000×102 -3.9639×102 58.637
EGTPIO -4.0000×102 -4.0000×102 -4.0000×102 -4.0000×102 0
ALPIO -4.0000×102 -4.0000×102 -4.0000×102 -4.0000×102 0
14 PIO -96.729 1.4799×104 7.5448×103 6.8965×103 3.9397×107
PSO -1.0000×102 2.2040×103 8.8665×102 9.1588×102 5.4392×105
SCPIO -1.0000×102 -1.0000×102 -1.0000×102 -1.0000×102 0
EGTPIO -1.0000×102 -1.0000E×102 -1.0000×102 -1.0000×102 0
ALPIO -1.0000×102 -1.0000×102 -1.0000×102 -1.0000×102 0
17 PIO 4.6652×102 8.3597×102 7.8375×102 7.7430×102 2.9637×103
PSO 3.0000×102 4.2347×102 3.5955×102 3.5744×102 9.7055×102
SCPIO 3.0000×102 3.0000×102 3.0000×102 3.0000×102 0
EGTPIO 3.0000×102 8.0084×102 7.8518×102 7.6805×102 9.1350×103
ALPIO 3.0000×102 3.0000×102 3.0000×102 3.0000×102 0
18 PIO 4.0006×102 4.5189×102 4.0243×102 4.1314×102 4.1925×102
PSO 4.0000×102 4.5000×102 4.0000×102 4.0500×102 2.5000×102
SCPIO 4.0000×102 4.0000×102 4.0000×102 4.0000×102 0
EGTPIO 4.0000×102 4.5000×102 4.2718×102 4.2544×102 6.7213×102
ALPIO 4.0000×102 4.0000×102 4.0000×102 4.0000×102 0
22 PIO 9.0453×102 8.1386×103 2.4321×103 3.3507×103 8.0341×106
PSO 9.0000×102 2.8655×103 2.1728×103 1.8437×103 7.1144×105
SCPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
EGTPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
ALPIO 9.0000×102 9.0000×102 9.0000×102 9.0000×102 0
28 PIO 1.6000×103 1.6230×103 1.6015×103 1.6038×103 48.631
PSO 1.6000×103 1.6029×103 1.6001×103 1.6009×103 1.3128
SCPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0
EGTPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0
ALPIO 1.6000×103 1.6000×103 1.6000×103 1.6000×103 0


表选项






由数据可以看出，在不同维度下，ALPIO在所有的测试函数中都达到了最优值并保证方差为0。在单峰函数上，ALPIO的性能明显优于PIO，在10维基准函数f18上的性能表现：ALPIO=SCPIO>EGTPIO>PIO>PSO，随着维度的增加，ALPIO仍然保持着性能上的优势；在多峰函数上，ALPIO的最好值、最差值、中位数、平均值以及方差要明显优于PIO和PSO，在不同维度基准函数f17上，ALPIO的各项性能都要优于EGTPIO；在组合函数上，ALPIO的性能要优于PIO和PSO，与SCPIO和EGTPIO在各方面的指标都相同。综上所述，ALPIO在每个维度下都表现出了最优性能。
3 结论 针对标准PIO算法容易陷入局部最优值这一问题，本文提出了一种基于自适应学习策略的改进鸽群优化(ALPIO)算法。
1) 所提算法通过基于容差的搜索方向调整策略和基于自学习的候选者生成策略及时调整种群的搜索方向，增强种群多样性和全局搜索能力，避免陷入局部最优。
2) 所提算法通过基于竞争学习的预测策略选择具有更强领导能力的全局最优，从而增强局部搜索能力。
3) 在不同维度上的基准函数优化实验结果表明，与标准的PIO、PSO、CPIO以及最新的EGTPIO算法相比，ALPIO在解决复杂性优化问题方面表现出明显的优势；实验结果表明，ALPIO不仅可以收敛到全局最优，而且可以跳出局部最优。

参考文献
[1] DUAN H B, QIAO P X. Pigeon-inspired optimization:A new swarm intelligence optimizer for air robot path planning[J]. International Journal of Intelligent Computing and Cybernetics, 2014, 7(1): 24-37.
[2] ZHANG X M, DUAN H B, YANG C.Pigeon-inspired optimization approach to multiple UAVs formation reconfiguration controller design[C]//Proceedings of 2014 IEEE Chinese Guidance, Navigation and Control Conference.Piscataway: IEEE Press, 2014: 2707-2712.
[3] SUN Y B, XIAN N, DUAN H B. Linear-quadratic regulator controller design for quadrotor based on pigeon-inspired optimization[J]. Aircraft Engineering and Aerospace Technology, 2016, 88(6): 761-770.
[4] DOU R, DUAN H B. Pigeon inspired optimization approach to model prediction control for unmanned air vehicles[J]. Aircraft Engineering and Aerospace Technology:An International Journal, 2016, 88(1): 108-116.
[5] DENG Y M, DUAN H B. Control parameter design for automatic carrier landing system via pigeon-inspired optimization[J]. Nonlinear Dynamics, 2016, 85(1): 97-106.
[6] ZHANG D F, DUAN H, YANG Y J, et al. Active disturbance rejection control for small unmanned helicopters via levy flight-based pigeon-inspired optimization[J]. Aircraft Engineering and Aerospace Technology, 2017, 89(8): 946-952.
[7] DUAN H B, WANG X H. Echo state networks with orthogonal pigeon-inspired optimization for image restoration[J]. IEEE Transanctions on Neural Networks and Learning Systems, 2016, 27(11): 2413-2425.
[8] DUAN H B, QIU H X, FAN Y M. Unmanned aerial vehicle close formation cooperative control based on predatory escaping pigeon-inspired optimization[J]. Scientia Sinica, 2015, 45(6): 559.
[9] YANG Z Y, DUAN H B, FAN Y M, et al. Automatic carrier landing system multilayer parameter design based on cauchy mutation pigeon-inspired optimization[J]. Aerospace Science and Technology, 2018, 79: 518-530.
[10] ZHANG D F, DUAN H B. Social-class pigeon-inspired optimization and time stamp segmentation for multi-UAV cooperative path planning[J]. Neurocomputing, 2018, 313(3): 229-246.
[11] HUA B, HUANG Y, WU Y, et al. Spacecraft formation reconfiguration trajectory planning with avoidance constraints using adaptive pigeon-inspired optimization[J]. Science China Information Sciences, 2019, 62(7): 98-100.
[12] XIANG S, XING L, WANG L, et al. Comprehensive learning pigeon-inspired optimization with tabu list[J]. Science China Information Sciences, 2019, 62(7): 95-97.
[13] HUO M, DUAN H, LUO D, et al.Parameter estimation for a VTOL UAV using mutant pigeon inspired optimization algorithm with dynamic OBL strategy[C]//2019 IEEE 15th International Conference on Control and Automation (ICCA).Piscataway: IEEE Press, 2019: 669-674.
[14] HU C, XIA Y, ZHANG J. Adaptive operator quantum-behaved pigeon-inspired optimization algorithm with application to UAV path planning[J]. Algorithms, 2019, 12(1): 3.
[15] LIU H, YAN X, WU Q. An improved pigeon-inspired optimization algorithm and its application in parameter inversion[J]. Symmetry, 2019, 11(10): 1291.
[16] XU X, DUAN H, DENG Y, et al.Hybrid ISMC-PIO and receding horizon control for UAVs formation[C]//2019 IEEE Congress on Evolutionary Computation (CEC).Piscataway: IEEE Press, 2019: 3277-3284.
[17] CHEN B, LEI H, SHEN H, et al. A hybrid quantum-based PIO algorithm for global numerical optimization[J]. Science China Information Sciences, 2019, 62(7): 33-44.
[18] HAI X S, WANG Z L, REN Y, et al. A novel adaptive pigeon-inspired optimization algorithm based on evolutionary game theory[J]. Science China Information Sciences, 2020, 64(3): 24-37.
[19] ZHANG S J, DUAN H B. Gaussian pigeon-inspired optimization approach to orbital spacecraft formation reconfiguration[J]. Chinese Journal of Aeronautics, 2015, 28(1): 200-205.
[20] WANG F, ZHANG H, LI K S, et al. A hybrid particle swarm optimization algorithm using adaptive learning strategy[J]. Information Sciences, 2018, 162-177.
[21] LIANG J J, QU B Y, SUGANTHAN P N, et al. Problem definitions and evaluation criteria for the CEC 2013 special session on real-parameter optimization[J]. Computational Intelligence Laboratory, 2013, 12(34): 281-295.
[22] LIANG J J, SUGANTHAN P N.Dynamic multi-swarm particle swarm optimizer with a novel constraint-handling mechanism[C]//IEEE International Conference on Evolutionary Computation.Piscataway: IEEE Press, 2006: 16-21.


相关话题/优化 测试 地图 实验 概率
  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效，10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材，产品类型包含电子书、题库、全套资料以及视频，无论您是考研复习、考证刷题，还是考前冲刺等，不同类型的产品可满足您学习上的不同需求。 ...
    考试优惠券 本站小编 Free壹佰分学习网 2022-09-19
  • 基于边际-人工蜂群算法的舰载机机群出动保障人员配置-调度联合优化方法*
    舰载机机群出动保障是全周期出动回收作业的关键阶段，作为衡量出动回收能力的核心指标，保障效率的发挥不仅与航母航空保障系统的指挥调度和协调控制水平密切相关[1]，同时受限于以保障人员为主体的各类保障资源的规模和能力[2]。相对于陆基机场，甲板空间狭小、安全态势复杂，传统的固定机组制人员利用率较低，人数需 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 激波风洞7°尖锥边界层转捩实验研究*
    边界层转捩是指边界层流动从层流发展到湍流的过程，是一个由多种因素耦合的非线性复杂流动物理现象。转捩问题是流体力学重要的基础研究课题之一，与湍流问题一起被称为“百年(或世纪)难题”。转捩问题在低速流方面已经有了一定的进展，但对于高超声速边界层转捩问题，低速流动的稳定性理论将不再适用，国内外****在理 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 潜望式激光通信粗指向装置的多工况拓扑优化*
    随着中国通信事业的发展，人们对于数据传输的需求逐步加大。激光通信具有通信速率远高于微波通信速率的优点，目前在世界范围内被广泛研究[1-2]。潜望式粗指向装置是激光通信终端常用的转台形式之一，主要安装在低轨卫星之上，用于激光的收发。该装置具有转动范围大，不存在像旋转现象等优点，已成为一大研究热点[3- ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于事故数据挖掘的AEB路口测试场景*
    路口作为一种典型的复杂交互交通环境，更容易引发事故。2017年，中国共发生道路交通事故203049起，其中发生在路口的事故46145起，占总数的22.73%。因路口事故共造成12082人死亡，47818人受伤，直接财产损失22517.2万元[1]。因此，针对路口交通场景的研究是十分有必要的。先进驾驶 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于多目标灰狼算法的干扰资源多效能优化方法*
    执行作战任务，取得最佳的作战效能很重要，如何保存己方作战实力也同等重要。雷达与干扰机的对抗是相互的，如果雷达收到的干扰能力过大，雷达就能反用干扰机能量追踪干扰源发射反辐射武器，这就必须对干扰功率进行管控，同时，完成作战任务难免会出现毁伤的情况。针对这些问题，本文将就考虑射频隐身特性和减少作战损失情况 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于高置信局部特征的车辆重识别优化算法*
    随着监控系统智能化需求[1-2]的发展，重识别问题获得了越来越多的关注[3]。车辆重识别算法能够应用在车辆识别、追踪和定位等众多难点问题上，进一步提升公安监控系统的安全性和可靠性。车辆重识别所针对的问题是：如何在一个图片集合中快速、准确地找到与给定车辆图片中完全相同的车辆。车辆的角度、光照、环境、遮 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 复材蒙皮的硬涂层阻尼减振设计与优化方法*
    随着民用飞机轻质、高负载的性能目标发展，要求蒙皮厚度进一步降低，导致其在满足气动外形的需求下，薄壁结构局部振动时常发生。蒙皮振动过大将影响机身的承载能力，甚至造成疲劳损伤和结构失效。传统避开共振的蒙皮结构设计方法不再适用，因此，需要研究蒙皮结构在复杂载荷作用下的共振响应控制方法。近年来研究发现，金属 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 铜互连扩散阻挡层工艺优化*
    近年来，随着集成电路工艺持续高速化、微缩化的发展，后段金属互连线的特征尺寸呈现快速缩小的趋势。这种趋势使金属互连线的线宽不断减小的同时，也使电流传输密度不断增大，从而引起金属互连线的可靠性问题[1-3]。金属互连线的电迁移[4-5](Electro-Migration,EM)问题是造成器件可靠性差的 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于EDT的扫描测试压缩电路优化方法*
    可测试性设计(DFT)技术是解决超大规模集成电路测试的有效途径，随着芯片规模越来越大，测试数据容量和测试时间也会不断增加，自动测试仪(ATE)需要提供更多的测试内存和测试端口，增加了芯片的测试难度。扫描测试的压缩设计通过在电路中加入测试压缩逻辑，使用较少的测试端口实现了测试激励解压缩和测试响应压缩， ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于解耦优化和环流APF的多平台协同攻击任务规划*
    多平台协同攻击任务规划问题是任务分配与航路规划的综合问题。任务分配为每个攻击平台指派一个需要打击的目标；航路规划根据任务分配的结果，生成一个满足运动约束，规避障碍、规避攻击平台间航路冲突，且尽量同时到达的航路。在理论上，任务分配与航路规划是耦合的。在任务分配时，需要考虑航路可行性、航路长度等参数，这 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25

Free考研考试FreeKaoYan.Com
欢迎来到Free考研考试，"为实现人生的Free而奋斗"

© 2020 FreeKaoYan! . All rights reserved.