.png){kind=icon}
返回
Potential-driven multi-learning particle swarm optimisation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.101993.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
粒子群优化（PSO）算法是一种简单而有效的元启发式算法。然而，在解决复杂多模态问题时，其搜索策略可能导致陷入局部最优和早熟收敛等问题。本文提出一种势场驱动多学习PSO（PDML-PSO）算法，以增强PSO算法的全局搜索能力。在该算法中，粒子根据性能被划分为三个等级：精英粒子、潜力粒子和普通粒子。采用多学习策略为各等级分配不同的搜索优先级。具体而言，使用基于适应度相关的连续梯度步数的新型选择标准来分类潜力粒子。该方法保留了梯度下降加速搜索的优点，同时缓解了其容易快速陷入局部最优的缺点。为验证PDML-PSO的性能，在CEC2017基准测试集中的30维、50维和100维问题以及CEC2022基准测试集中的10维和20维问题上进行了测试，并将结果与九种其他PSO算法进行了比较。实验结果表明，PDML-PSO相比其他九种算法展现出更优的全局搜索能力。此外，消融实验证实了PDML-PSO中改进措施的有效性。所有实验结果均突显了PDML-PSO在解决复杂多模态问题上的性能优势。
Keyword:
Particle swarm optimisation
Global optimisation
Multi-learning
Potential archives
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
.png){kind=icon}
A novel improved particle swarm optimization algorithm based on individual difference evolution
PREAI
分享收藏分享收藏Comprehensive learning particle swarm optimizer for global optimization of multimodal functions
PREAI
分享收藏
查看更多内容