如何使用分層自主學(xué)習(xí)進(jìn)行改進(jìn)粒子群優(yōu)化算法的資料說(shuō)明

　　針對(duì)粒子 群優(yōu)化（PSO）算法容易陷入局部最優(yōu)、收敘精度不高、收斂速度較慢的問(wèn)題，提出一種基于分層自主學(xué)習(xí)的改進(jìn)粒子群優(yōu)化（ HCPSO）算法。首先，根據(jù)粒子適應(yīng)度值和選代次數(shù)將種群動(dòng)態(tài)地劃分為三個(gè)不同階層;然后，根據(jù)不同階層粒子特性，分別采用局部學(xué)習(xí)模型標(biāo)準(zhǔn)學(xué)習(xí)模型以及全局學(xué)習(xí)模型，增加粒子多樣性，反映出個(gè)體差異的認(rèn)知對(duì)算法性能的影響，提高算法的收斂速度和收斂精度;最后，將HCPSO算法與PSO算法、自適應(yīng)多子群粒子群優(yōu)化（PSO-SMS）算法以及動(dòng)態(tài)多子群粒子群優(yōu)化（ DMS-PSO）算法分別在6個(gè)典型的測(cè)試函數(shù)上進(jìn)行對(duì)比仿真實(shí)驗(yàn)。仿真結(jié)果表明，HCPSO算法的收斂速度和收斂精度相對(duì)給出的對(duì)比算法均有明顯提升，并且算法執(zhí)行時(shí)間和基本PSO算法執(zhí)行時(shí)間差距在0.001量級(jí)內(nèi)，在不增加算法復(fù)雜度的情況下算法性能更高。

　　群體智能算法是通過(guò)觀察動(dòng)物群體的捕食。遷徙等活動(dòng)，進(jìn)行仿真模擬而產(chǎn)生的智能算法，粒子群優(yōu)化（ParticleSwamOptimization， PSO）算法是Kennedy等“在1995年提出的一種基于種群的智能算法。PSO 算法是定義于連續(xù)空間的群智能算法，具有參數(shù)較少、原理簡(jiǎn)單、并行搜索和全局收斂等優(yōu)點(diǎn)，已經(jīng)廣泛應(yīng)用于永磁電機(jī)關(guān)鍵參數(shù)調(diào)整、人臉識(shí)別、分配優(yōu)化問(wèn)題等相關(guān)領(lǐng)域;但是，PSO算法也存在收斂精度不足搜索速度較慢以及容易早熟收斂等缺點(diǎn)。針對(duì)這些問(wèn)題，研究人員通過(guò)引入相關(guān)理論改進(jìn)學(xué)習(xí)模型、改變參數(shù)調(diào)整方式、引入學(xué)習(xí)算子、算法融合以及多子群等方法對(duì)基本算法進(jìn)行改進(jìn)研究。引入混沌量子理論改進(jìn)PSO算法理論模型，結(jié)合高效局部搜索機(jī)制和自適應(yīng)動(dòng)態(tài)懲罰方法進(jìn)行約束處理，提高求解精度，并用之于優(yōu)化問(wèn)題中。