通信学报 ›› 2017, Vol. 38 ›› Issue (8): 66-78.doi: 10.11959/j.issn.1000-436x.2017165
修回日期:
2017-03-30
出版日期:
2017-08-01
发布日期:
2017-09-07
作者简介:
康岚兰(1979-),女,江西赣州人,武汉大学博士生,江西理工大学讲师,主要研究方向为演化计算、机器学习等。|董文永(1973-),男,河南南阳人,博士,武汉大学教授、博士生导师,主要研究方向为演化计算、智能仿真优化、系统控制、机器学习等。|宋婉娟(1980-),女,湖北应城人,武汉大学博士生,主要研究方向为图像处理、机器学习等。|李康顺(1962-),男,江西兴国人,博士,华南农业大学教授、博士生导师,主要研究方向为智能计算、多目标优化、视频流图像识别等。
基金资助:
Lan-lan KANG1,2,Wen-yong DONG1(),Wan-juan SONG1,Kang-shun LI3
Revised:
2017-03-30
Online:
2017-08-01
Published:
2017-09-07
Supported by:
摘要:
为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足,提出一种无惯性的自适应精英变异反向粒子群优化算法(NOPSO)。NOPSO算法在反向学习方法的基础上,广泛获取环境信息,提出一种无惯性的速度(NIV)更新式来引导粒子飞行轨迹,从而有效加快算法的收敛过程。同时,为避免早熟现象的发生,引入了自适应精英变异策略(AEM),该策略在扩大种群搜索范围的同时,帮助粒子跳出局部最优。NIV 与 AEM 这 2种机制的结合,有效增加了种群多样性,平衡了反向粒子群算法中探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力。
中图分类号:
康岚兰,董文永,宋婉娟,李康顺. 无惯性自适应精英变异反向粒子群忧化算法[J]. 通信学报, 2017, 38(8): 66-78.
Lan-lan KANG,Wen-yong DONG,Wan-juan SONG,Kang-shun LI. Non-inertial opposition-based particle swarm optimization with adaptive elite mutation[J]. Journal on Communications, 2017, 38(8): 66-78.
表1
数值实验中使用的13个测试函数"
测试函数 | 搜索空间 | 函数名称 | |
-100,100]D | Sphere | ||
-100,100]D | Step | ||
单峰函数 | -30,30]D | Rosenbrock | |
-100,100]D | Quadric | ||
-10,10]D | Schwefel2.22 | ||
-100,100]D | Elliptic | ||
-5.12,5.12]D | Rotated Elliptic | ||
-5.12,5.12]D | Rastrigin | ||
多峰函数 | -32,32]D | Ackley | |
-600,600]D | Griewank | ||
-32,32]D | Rotated Rastrigin | ||
-600,600]D | Rotated Ackley | ||
-32,32]D | Rotated Griewank |
表3
5种OBL-based PSO算法及PSO算法在13个测试函数上的结果均值"
测试函数 | PSO | OPSO | GOPSO | OVCPSO | EOPSO | NOPSO | |
f1 | 1.56×10?3(+) | 4.59×10?36(+) | 0(最优)(~) | 5.00×10?1(+) | 0.00(~) | 0(最优) | |
f2 | 7.18×10?2(+) | 2.09×10?35(+) | 3.02×10?321(+) | 6.67×10?2(+) | 1.97×10?323(+) | 0(最优) | |
单峰函数 | f3 | 1.26(-) | 7.18(-) | 2.82×101(+) | 8.70×101(+) | 1.57×10?24(-) | 3.09 |
f4 | 5.51×10?2(+) | 4.13×104(+) | 1.32×104(+) | 2.94×101(+) | 5.01×10?3(+) | 0(最优) | |
f5 | -1.48×10?3(+) | -6.51×10?12(+) | -6.98×10?162(+) | -2.49(+) | 3.01×10?162(+) | 0(最优) | |
f6 | 8.84(+) | 1.43×10?32(+) | 4.21×10?316(最优)(+) | 1.39×10?4(+) | 9.88×10?324(+) | 0(最优) | |
f7 | 4.07×102(+) | 9.82×106(+) | 1.96×106(最优)(+) | 3.06(+) | 5.08×102(+) | 0(最优) | |
f8 | 2.06(+) | 1.51×101(+) | 0(最优)(~) | 7.57×10?1(+) | 2.09(+) | 0(最优) | |
多峰函数 | f9 | 4.45×10?2(+) | 1.85(+) | 0(最优)(~) | 9.99×10?1(+) | 1.86×10?1(+) | 0(最优) |
f10 | 1.14×10?3(+) | 3.83×101(+) | 0(最优)(~) | 2.05×10?2(+) | 1.26×10?2(+) | 0(最优) | |
f11 | 2.99(+) | 1.51×101(+) | 0(最优)(~) | 4.14×101(+) | 4.11(+) | 0(最优) | |
f12 | 2.81×10?2(+) | 2.98(+) | 0(最优)(~) | 1.97(+) | 3.41×10?1(+) | 0(最优) | |
f13 | 7.95×10?4(+) | 2.33×10?2(+) | 0(最优)(~) | 6.14×10?1(+) | 1.22×10?2(+) | 0(最优) | |
+ | 12 | 12 | 6 | 13 | 11 | — | |
总计 | ~ | 0 | 0 | 7 | 0 | 1 | — |
- | 1 | 1 | 0 | 0 | 1 | — |
表5
GOPSO和NOPSO算法在13个测试函数上取值函数评估次数比较"
测试函数 | GOPSO | NOPSO | |||
Fval | Fes | Fval | Fes | ||
f1 | 6.64×10?17 | 49 747 | 2.65×10?17 | 6 671(最优) | |
f2 | 0 | 10 729 | 0 | 1 811(最优) | |
f3 | 2.38×101 | 400 080 | 2.09 | 400 080 | |
f4 | 2.48×10?4 | 254 778 | 3.66×10?17 | 8 701(最优) | |
f5 | 8.53×10?17 | 85 230 | 2.62×10?17 | 18 634(最优) | |
f6 | 7.30×10?17 | 61 003 | 3.19×10?17 | 7 748(最优) | |
f7 | 1.96×10?6 | 170 639 | 3.31×10?17 | 8 207(最优) | |
f8 | 0 | 83 532 | 0 | 6 808(最优) | |
f9 | 0 | 94 337 | 0 | 10 999(最优) | |
f10 | 0 | 48 818 | 0 | 6 625(最优) | |
f11 | 0 | 217 398 | 0 | 6 628(最优) | |
f12 | 0 | 51 078 | 0 | 8 993(最优) | |
f13 | 0 | 50 897 | 0 | 6 582(最优) |
表6
NOPSO算法采用不同NIV公式(NIV-D、NIV-U、NIV-R)对性能的影响"
测试函数 | 更新式 | Mean | Worst | Best | Std Dev | Fes |
NIV-D | 4.71×10?17 | 9.77×10?17 | 2.38×10?18 | 2.50×10?17 | 74 700 | |
f1 | NIV-U | 3.73×10?17 | 9.65×10?17 | 2.99×10?20 | 2.65×10?17 | 6 671(最优) |
NIV-R | 6.23×10?9 | 1.79×10?8 | 4.53×10?10 | 4.45×10?9 | 810 081 | |
NIV-D | 0 | 0 | 0 | 0 | 2 065 | |
f2 | NIV-U | 0 | 0 | 0 | 0 | 1 811(最优) |
NIV-R | 0 | 0 | 0 | 0 | 1 683 | |
NIV-D | 2.89×101 | 2.90×101 | 2.87×101 | 5.54×10?2 | 810 081 | |
f3 | NIV-U | 2.84×101 | 2.90×101 | 1.54×101 | 2.43 | 810 081 |
NIV-R | 2.17×10?5(最优) | 9.16×10?5(最优) | 1.97×10?6(最优) | 2.05×10?5(最优) | 810 081 | |
NIV-D | 5.25×10?17 | 9.42×10?17 | 7.18×10?20 | 3.07×10?17 | 11 126 | |
f4 | NIV-U | 5.17×10?17 | 9.97×10?17 | 3.15×10?19 | 3.66×10?17 | 8 701(最优) |
NIV-R | 5.59×10?4 | 5.04×10?3 | 4.25×10?5 | 8.64×10?4 | 810 081 | |
NIV-D | 6.57×10?17 | 9.83×10?17 | 1.74×10?17 | 2.28×10?17 | 12 713 | |
f5 | NIV-U | 6.36×10?17 | 9.95×10?17 | 4.71×10?18 | 2.62×10?17 | 10 985(最优) |
NIV-R | 3.83×10?4 | 7.59×10?4 | 7.43×10?5 | 1.49×10?4 | 810 081 | |
NIV-D | 4.93×10?17 | 9.81×10?17 | 8.20×10?19 | 3.37×10?17 | 8 685 | |
f6 | NIV-U | 4.49×10?17 | 9.93×10?17 | 8.82×10?19 | 3.19×10?17 | 7 748(最优) |
NIV-R | 3.89×10?4 | 9.02×10?4 | 8.42×10?5 | 2.10×10?4 | 810 081 | |
NIV-D | 5.29×10?17 | 1.00×10?15 | 4.85×10?19 | 3.17×10?17 | 9 576 | |
f7 | NIV-U | 4.36×10?17 | 9.52×10?17 | 2.79×10?19 | 3.31×10?17 | 8 207(最优) |
NIV-R | 2.51×10?4 | 7.35×10?4 | 3.34×10?5 | 1.75×10?4 | 810 081 | |
NIV-D | 0 | 0 | 0 | 0 | 8 156 | |
f8 | NIV-U | 0 | 0 | 0 | 0 | 6 808(最优) |
NIV-R | 8.57×10?7 | 1.87×10?6 | 1.53×10?7 | 4.68×10?7 | 810 081 | |
NIV-D | 0 | 0 | 0 | 0 | 12 411 | |
f9 | NIV-U | 0 | 0 | 0 | 0 | 10 999(最优) |
NIV-R | 4.88×10?5 | 9.52×10?5 | 1.10×10?5 | 1.84×10?5 | 810 081 | |
NIV-D | 0 | 0 | 0 | 0 | 7 678 | |
f10 | NIV-U | 0 | 0 | 0 | 0 | 6 625(最优) |
NIV-R | 3.68×10?10 | 1.66×10?9 | 2.34×10?11 | 3.02×10?10 | 810 081 | |
NIV-D | 0 | 0 | 0 | 0 | 8 067 | |
f11 | NIV-U | 0 | 0 | 0 | 0 | 6 628(最优) |
NIV-R | 1.17×10?6 | 3.98×10?6 | 1.69×10?7 | 9.46×10?7 | 810 081 | |
NIV-D | 0 | 0 | 0 | 0 | 12 576 | |
f12 | NIV-U | 0 | 0 | 0 | 0 | 10 710(最优) |
NIV-R | 4.80×10?5 | 9.36×10?5 | 8.19×10?6 | 2.03×10?5 | 810 081 | |
NIV-D | 0 | 0 | 0 | 0 | 7 640 | |
f13 | NIV-U | 0 | 0 | 0 | 0 | 6 582(最优) |
NIV-R | 2.13×10?10 | 8.46×10?10 | 1.04×10?11 | 2.06×10?10 | 810 081 |
表7
AEM、GOBL、NIV 3种策略对NOPSO算法各自产生的影响"
测试函数 | 算法 | Mean | Worst | Best | Std Dev |
PSO | 1.77×10?2 | 5.32×10?1 | 0 | 9.55×10?2 | |
PSOM | 8.66×10?3 | 2.60×10?1 | 0 | 4.67×10?2 | |
f1 | PSOL | 5.37×103 | 1.57×104 | 1.64×103 | 2.68×103 |
DPSO | 7.13×10?3 | 2.14×10?1 | 0 | 3.84×10?2 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 6.67×10?2 | 2.00 | 0 | 3.59×10?1 | |
PSOM | 3.33×10?2 | 1.00 | 0 | 1.80×10?1 | |
f2 | PSOL | 4.98×103 | 1.32×104 | 9.26×102 | 2.65×103 |
DPSO | 3.33×10?2 | 1.00 | 0 | 1.80×10?1 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 4.81 | 1.44×102 | 0 | 2.59×101 | |
PSOM | 4.10 | 1.23×102 | 0 | 2.21×101 | |
f3 | PSOL | 2.06×106 | 9.47×106 | 2.13×105 | 2.32×106 |
DPSO | 2.51 | 7.54×101 | 0 | 1.35×101 | |
NOPSO | 2.89×101 | 2.90×101 | 2.88×101 | 4.96×10?2 | |
PSO | 2.25×10?1 | 6.76 | 0 | 1.21 | |
PSOM | 1.96×10?1 | 5.89 | 0 | 1.06 | |
f4 | PSOL | 1.83×104 | 4.76×104 | 3.10×103 | 1.05×104 |
DPSO | 2.80×10?1 | 8.39 | 0 | 1.51 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 1.09×10?1 | 3.27 | 0 | 5.86×10?1 | |
PSOM | 1.12×10?1 | 3.35 | 0 | 6.02×10?1 | |
f5 | PSOL | 2.27×101 | 5.39×101 | 9.20 | 1.05×101 |
DPSO | 1.67×10?1 | 5.01 | 0 | 8.99×10?1 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 8.84 | 2.65×102 | 0 | 4.76×101 | |
PSOM | 7.34×101 | 2.20×103 | 0 | 3.95×102 | |
f6 | PSOL | 2.90×107 | 7.91×107 | 5.94×106 | 1.85×107 |
DPSO | 5.30 | 1.59×102 | 0 | 2.86×101 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 4.07×102 | 1.22×104 | 0 | 2.19×103 | |
PSOM | 5.32×101 | 1.60×103 | 0 | 2.87×102 | |
f7 | PSOL | 3.70×107 | 1.13×108 | 3.74×106 | 2.76×107 |
DPSO | 3.36×102 | 1.01×104 | 0 | 1.81×103 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 2.93 | 8.78×101 | 0 | 1.58×101 | |
PSOM | 3.07 | 9.22×101 | 0 | 1.66×101 | |
f8 | PSOL | 1.47×102 | 2.04×102 | 9.80×101 | 2.74×101 |
DPSO | 2.50 | 7.51×101 | 0 | 1.35×101 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 5.47×10?2 | 1.64 | 0 | 2.95×10?1 | |
PSOM | 6.25×10?2 | 1.88 | 0 | 3.37×10?1 | |
f9 | PSOL | 1.21×101 | 1.63×101 | 8.93 | 1.93 |
DPSO | 5.63×10?2 | 1.69 | 0 | 3.03×10?1 | |
NOPSO | 0 | 0 | 0 | 0 |
(续表)"
测试函数 | 算法 | Mean | Worst | Best | Std Dev |
PSO | 1.05×10?3 | 3.14×10?2 | 0 | 5.64×10?3 | |
PSOM | 1.62×10?3 | 4.86×10?2 | 0 | 8.72×10?3 | |
f10 | PSOL | 3.62×101 | 7.14×101 | 9.25 | 1.90×101 |
DPSO | 9.11×10?4 | 2.73×10?2 | 0 | 4.91×10?3 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 2.47 | 7.41×101 | 0 | 1.33×101 | |
PSOM | 2.58 | 7.74×101 | 0 | 1.39×101 | |
f11 | PSOL | 1.42×102 | 1.82×102 | 8.07×101 | 2.49×101 |
DPSO | 3.10 | 9.29×101 | 0 | 1.67×101 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 4.70×10?2 | 1.41 | 0 | 2.53×10?1 | |
PSOM | 4.78×10?2 | 1.43 | 0 | 2.58×10?1 | |
f12 | PSOL | 1.24×101 | 1.64×101 | 6.83 | 2.15 |
DPSO | 5.27×10?2 | 1.58 | 0 | 2.84×10?1 | |
NOPSO | 0 | 0 | 0 | 0 | |
PSO | 1.06×10?3 | 3.16×10?2 | 0 | 5.68×10?3 | |
PSOM | 1.08×10?3 | 3.22×10?2 | 0 | 5.79×10?3 | |
f13 | PSOL | 3.73×101 | 8.90×101 | 1.33×101 | 1.95×101 |
DPSO | 1.03×10?3 | 3.10×10?2 | 0 | 5.56×10?3 | |
NOPSO | 0 | 0 | 0 | 0 |
表8
AEM中参数C在13个测试函数上取值概率"
测试函数 | C=0.5 | C=1.0 | C=1.5 | 变异位占优次数 |
f1 | 0.82 | 0.11 | 0.07 | 6 |
f2 | 0.97 | 0.03 | 0.00 | 5 |
f3 | 0.00 | 0.00 | 1.00 | 4 |
f4 | 0.92 | 0.05 | 0.03 | 2 |
f5 | 0.83 | 0.07 | 0.09 | 2 |
f6 | 0.84 | 0.08 | 0.08 | 5 |
f7 | 0.79 | 0.09 | 0.12 | 6 |
f8 | 0.94 | 0.04 | 0.02 | 1 |
f9 | 0.78 | 0.10 | 0.11 | 3 |
f10 | 0.83 | 0.09 | 0.08 | 9 |
f11 | 0.92 | 0.04 | 0.04 | 2 |
f12 | 0.78 | 0 .10 | 0.12 | 2 |
f13 | 0.85 | 0.09 | 0.06 | 8 |
总体平均概率 | 0.79 | 0.07 | 0.14 | 4.23 |
[1] | EIBEN A E , SMITH J . From evolutionary computation to the evolution of things[J]. Nature, 2015,521(7553): 476-482. |
[2] | KENNEDY J , EBERHART R C . Particle swarm optimization[C]// IEEE International Conference on Neural Networks. 1995: 1942-1948. |
[3] | INBARANI H H , AZAR A T , JOTHI G . Supervised hybrid feature selection based on PSO and rough sets for medical diagnosis[J]. Computer Methods and Programs in Biomedicine, 2014,113(1): 175-185. |
[4] | ZAD B B , HASANVAND H , LOBRY J ,et al. Optimal reactive power control of DGs for voltage regulation of MV distribution systems using sensitivity analysis method and PSO algorithm[J]. International Journal of Electrical Power and Energy System, 2015,68: 52-60. |
[5] | JUANG Y T , TUNG S L , CHIU H C . Adaptive fuzzy particle swarm optimization for global optimization of multimodal functions[J]. Information Sciences, 2011,181: 4539-4549. |
[6] | MENG H , TERESA W , WEIR J D . An adaptive particle swarm optimization with multiple adaptive methods[J]. IEEE Transactions on Evolutionary Computation(TEC), 2013,17(5): 705-720. |
[7] | PEHLIVANOGLU Y V . A new particle swarm optimization method enhanced with a periodic mutation strategy and neural networks[J]. IEEE Transactions on Evolutionary Computation, 2013,17(3): 436-452. |
[8] | WANG H , LI H , LIU Y ,et al. Opposition-based particle swarm algorithm with Cauchy mutation[C]// IEEE Congress on Evolutionary Computation. 2007: 356-360. |
[9] | WANG H , WU Z J , RAHNAMAYAN S ,et al. Enhancing particle swarm optimization using generalized opposition-based learning[J]. Information Sciences, 2011,181: 4699-4714. |
[10] | KARAFOTIAS G , HOOGENDOORN M , EIBEN A E . Parameter control in evolutionary algorithms:trends and challenges[J]. IEEE Transactions on Evolutionary Computation, 2015,19(2): 167-187. |
[11] | SHI Y , EBERHART R C . A modified particle swarm optimizer[C]// The IEEE Congress on Evolutionary Computation(CEC 1998). 1998: 69-73. |
[12] | TIZHOOSH H R , . Opposition-based learning:a new scheme for machine intelligence[C]// The IEEE International Conference of Intelligent for Modeling,Control and Automation. 2005: 695-701. |
[13] | SHI Y , EBERHART R C . Empirical study of particle swarm optimization[C]// The IEEE Congress on Evolutionary Computation(CEC). 1999. |
[14] | 董文永, 康岚兰, 刘宇航 ,等. 带自适应精英扰动及惯性权重的反向粒子群优化算法[J]. 通信学报, 2016,37(12): 1-10. |
DONG W Y , KANG L L , LIU Y H ,et al. An opposition-based particle swarm optimization with adaptive elite mutation and nonlinear inertia weight[J]. Journal on Communications, 2016,37(12): 1-10. | |
[15] | 周新宇, 吴志健, 王晖 ,等. 一种精英反向学习的粒子群优化算法[J]. 电子学报, 2013,41(8): 1647-1652. |
ZHOU X Y , WU Z J , WANG H ,et al. Elite opposition-based particle swarm optimization[J]. Acta Electronica Sinica, 2013,41(8): 1647-1652. | |
[16] | SHAHZAD F , BAIG A R , MASOOD S ,et al. Opposition-based particle swarm optimization with velocity clamping(OVCPSO)[J]. Advances in Computational Intell, 2009: 339-348. |
[1] | 赵庶旭, 韦萍, 王小龙. 多任务并发边缘计算环境中最优联盟结构生成策略[J]. 通信学报, 2023, 44(2): 172-184. |
[2] | 李翠然, 王雪洁, 谢健骊, 吕安琪. 基于改进PSO的铁路监测线性无线传感器网络路由算法[J]. 通信学报, 2022, 43(5): 155-165. |
[3] | 曹阳, 钟烨, 彭醇陵, 彭小峰. 基于混合供能和能量协作的异构网络能量效率优化算法[J]. 通信学报, 2022, 43(3): 135-147. |
[4] | 毛伊敏, 甘德瑾, 廖列法, 陈志刚. 基于Spark框架和ASPSO的并行划分聚类算法[J]. 通信学报, 2022, 43(3): 148-163. |
[5] | 苏新, 薛淏阳, 周一青, 朱金秀. 面向海洋观监测传感网的计算卸载方法研究[J]. 通信学报, 2021, 42(5): 149-163. |
[6] | 孙爱晶, 李世昌, 张艺才. 基于PSO优化模糊C均值的WSN分簇路由算法[J]. 通信学报, 2021, 42(3): 91-99. |
[7] | 杨国伟, 黄兆标, 樊冰, 周雪芳, 毕美华. 基于可见光通信的室内定位与定向系统[J]. 通信学报, 2020, 41(12): 162-170. |
[8] | 裴家正,黄勇,董云龙,陈小龙. 改进的SMC-CBMeMBer前向后向平滑检测前跟踪算法[J]. 通信学报, 2019, 40(8): 102-113. |
[9] | 李罡,吴志军. 基于多QoS约束条件的广域信息管理系统任务调度算法[J]. 通信学报, 2019, 40(7): 27-37. |
[10] | 武小年,张楚芸,张润莲,孙亚平. WSN中基于改进粒子群优化算法的分簇路由协议[J]. 通信学报, 2019, 40(12): 114-123. |
[11] | 付元华,贺知明. 协作频谱感知中基于距离准则的量化器设计[J]. 通信学报, 2018, 39(9): 49-56. |
[12] | 张星,王野,杨艺,张钦宇. 基于离散粒子群优化算法的合作感知调度方案[J]. 通信学报, 2017, 38(7): 175-185. |
[13] | 马丁,庄雷,兰巨龙. 基于离散粒子群优化的多目标服务路径构建算法[J]. 通信学报, 2017, 38(2): 94-105. |
[14] | 孙康宁,马林华,茹乐,范文同,胡星,黄绍城. 混合信道下LDPC码稳定条件分析及度序列优化[J]. 通信学报, 2016, 37(9): 168-174. |
[15] | 董文永,康岚兰,刘宇航,李康顺. 带自适应精英扰动及惯性权重的反向粒子群优化算法[J]. 通信学报, 2016, 37(12): 1-10. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||
|