基于相似度模型的多模態(tài)粒子群優(yōu)化算法研究.pdf

1、在現(xiàn)實世界中，多模態(tài)函數(shù)優(yōu)化問題大量存在。然而，大部分已經(jīng)存在的多模態(tài)優(yōu)化算法都面臨著依賴小生境參數(shù)、處理高維復(fù)雜問題性能差等缺點。針對這些缺點，本文提出了適應(yīng)度-距離相似度模型，并依據(jù)此模型提出了一種新的多模態(tài)粒子群優(yōu)化算法——FDPSO。
　　FDPSO引入了數(shù)據(jù)挖掘中聚類算法的逆過程來保證相似度小的個體不屬于同一類。在FDPSO中，每個粒子找到與其具有最小相似度的粒子，在進化中保證這兩個粒子不屬于同一個小生境。初始狀態(tài)，整個

2、種群中的所有粒子都屬于同一個小生境，隨著種群的進化過程，種群被自動劃分成若干個子種群并行進行搜索。另外，為了解決早熟問題，該優(yōu)化算法為每個粒子保存了一個計數(shù)器(c)，該計數(shù)器用來記錄粒子的個體最佳位置（pbest）已經(jīng)連續(xù)多少代沒有更新，當計數(shù)器的值大于14，那么這個粒子很可能已經(jīng)陷入局部極值點，該粒子將被重新初始化;與此同時，當某個小生境中表現(xiàn)最好的粒子的計數(shù)器大于14，說明這個小生境很可能陷入到局部極值點，這個小生境中的所有粒子同樣

3、將被重新初始化去搜索其他極值點。實驗結(jié)果表明:對于低維簡單測試函數(shù)，F(xiàn)DPSO可以取得與ANPSO和rpso同樣高的成功率，并且FDPSO需要的平均評估次數(shù)更少。對于高維復(fù)雜函數(shù)，F(xiàn)DPSO可以達到更高的成功率，并且確定更多的全局極值點，甚至使用更少的種群大小，F(xiàn)DPSO同樣具有很好的性能，這意味著FDPSO比其他優(yōu)化算法有更加持續(xù)的性能。因此，F(xiàn)DPSO對于多模態(tài)函數(shù)優(yōu)化是一個很好的選擇，這也意味著FDPSO可以在現(xiàn)實世界中廣泛應(yīng)用。