摘 要:为了有效地避免算法陷入局部最优解,使用模拟退火算法进行局部扩展搜索,进一步提高解的质量;有效提高万有引力搜索算法的搜索效率,最后通过仿真对比,得出结合模拟退火算法的万有引力搜索算法具有收敛速度快,精度高的特点这一结论.
有关论文范文主题研究: | 关于算法的论文范文文献 | 大学生适用: | 硕士学位论文、高校大学论文 |
---|---|---|---|
相关参考文献下载数量: | 92 | 写作解决问题: | 写作参考 |
毕业论文开题报告: | 文献综述、论文选题 | 职称论文适用: | 论文发表、中级职称 |
所属大学生专业类别: | 写作参考 | 论文题目推荐度: | 经典题目 |
关 键 词 :万有引力搜索算法(GSA); 模拟退火算法(SA); 函数优化
中图分类号:N945.17 文献标识码:A 文章编号:1006-3315(2013)08-178-001
一、介绍
万有引力搜索算法[1](Gritational Search Algorithm)是由E.Rashedi和H.Nezamabadi-pour等2009年提出的一种基于物理学牛顿万有引力定律的优化搜索,是通过群体中各个物体(agents)之间的万有引力相互作用产生的群体智能指导优化算法,本文通过结合模拟退货算法,预防GSA在处理多峰函数问题时可能遇到的局部最优的问题的出现.
详细万有引力搜索算法步骤参考[1],详细模拟退火算法步骤参考[2].
二、改进算法描述
结合模拟退火算法进行更优解搜索,有利于种群的多样性,防止过早收敛而导致早熟;物体的适应值影响质量,惯性质量大的对惯性质量小的受力影响大,致使惯性质量小的往惯性质量大的移动的更多,这也印证了次优解往更优解移动而提高种群最优,即质量影响受力,受力影响速度,速度更新位置.新算法的改进在于原始算法进行初始化,适应度和受力计算以及更新速度和位置后,使用模拟退火算法搜索局部更优替换.
三、仿真
如上表数据所示,引入SA算法作为局部搜索有效提高搜索精度,不管是最优,平均还是最差的值都有所提高,由此可知新算法的有效性,从算法收敛图中可以看出引入SA算法后,有效防止局部收敛,陷入局部最优,而是不断索搜出更优的值.