• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于變尺度搜索算法的混沌MIMIC算法

    2019-09-23 09:32:38趙晉彬夏桂梅
    關(guān)鍵詞:搜索算法維數(shù)代數(shù)

    趙晉彬,夏桂梅

    (太原科技大學(xué) 應(yīng)用科學(xué)學(xué)院,山西 太原 030024)

    分布估計算法(EDAs)的基本思想是利用變量間的概率分布來表示變量之間的相關(guān)關(guān)系,并經(jīng)過迭代進(jìn)化,迫近問題的最優(yōu)值,降低了對問題先驗知識的要求,是一個很好的連鎖學(xué)習(xí)算法[1]。混沌算法是一種收斂較快的優(yōu)化算法,具有遍歷性和隨機(jī)性。這樣的特征,可用于局部優(yōu)化,但它有初值選擇的敏感性,因此傳統(tǒng)的混沌算法對目標(biāo)難以瞄準(zhǔn)。變尺度搜索可以縮小搜索區(qū)間,使得算法更容易找到最優(yōu)解[2]。在MIMIC算法和混沌搜索算法結(jié)合的前提下,引入變尺度搜索,優(yōu)化搜索空間,提出基于變尺度搜索算法的混沌MIMIC算法(MSCS-MIMIC)。

    1 MSCS-MIMIC

    1.1 MIMIC算法

    MIMIC算法是一個在雙變量相關(guān)、鏈?zhǔn)浇Y(jié)構(gòu)依賴假設(shè)基礎(chǔ)上提出的分布估計算法,其概率圖模型如圖1所示[3]。

    圖1 MIMIC的概率圖模型Fig.1 Probabilistic graphical model of MIMIC

    1.2 混沌算法(CS)

    在混沌優(yōu)化算法中,通常選擇Logistic映射所產(chǎn)生決策變量,其形式如下[4-5]:

    (1)

    其中:μ為操控參數(shù),當(dāng)μ=4時,處于完全混沌的狀態(tài),且xn在(0,1)范圍內(nèi)是遍歷的。

    混沌搜索算法步驟如下:

    1.3 變尺度搜索(MS)

    1.3.1搜索空間映射

    由Logistic映射所產(chǎn)生的決策變量xn∈[0,1]必須映射到向量空間,即混沌搜索的上限和下限[a,b]。本文采用的映射公式如下[6]:

    x′n=ci+dixn

    (2)

    式中,ci和di為與邊界有關(guān)的系數(shù),ci=a,di=b-a.

    1.3.2變尺度搜索

    以當(dāng)前最優(yōu)解x*為中心,通過[7-9]

    (3)

    (4)

    (5)

    將式(5)和a=ci,b=ci+di分別代入式(3)即得式(2)。

    圖2 變尺度搜索示意圖Fig.2 Schematic diagram of mutative scale optimizing search

    1.4 MSCS-MIMIC算法

    混沌搜索算法與MIMIC算法結(jié)合,旨在解決MIMIC算法局部搜索問題和CS算法對初值的高要求問題[10-11],在算法中引入變尺度搜索,可以重構(gòu)優(yōu)化變量取值空間,大大提高了結(jié)果的準(zhǔn)確性。

    算法實現(xiàn)過程如下:

    步驟1:隨機(jī)生成若干個體組成初始種群N。

    步驟2:評估初始群N,如果連續(xù)搜索至相同值或找到最終的最優(yōu)解,算法結(jié)束,否則進(jìn)入下一步驟。

    步驟3:使用截斷選擇、輪賭選擇,將S個變量選出作為主導(dǎo)變量群,其中S=N/2。

    步驟4:按照貪婪算法構(gòu)建優(yōu)勢模型:

    a.根據(jù)in=argminjhl(Xj)找出排列π=(i1,i2,…,in)中的in;

    b.對任意k=n-1,…,1,根據(jù)ik=argminjhl(Xj|Xk+1),其中k≠ik+1…,in,計算出排列π=(i1,i2,…,in);

    步驟5:優(yōu)勢群體用CS算法進(jìn)行搜索,對搜索后的優(yōu)化值進(jìn)行評價,并更新已知的最優(yōu)值[12]。

    步驟6:使用變尺度方法略微減小變量的取值區(qū)間,即以當(dāng)前最優(yōu)解為中心,通過(3)式所述,調(diào)整ci和di來重構(gòu)優(yōu)化變量的值空間。

    步驟7:合并種群,將根據(jù)模型產(chǎn)生的優(yōu)勢變量與保留的優(yōu)勢群體組成新的種群,轉(zhuǎn)到步2。

    2 算法性能測試及分析

    2.1 參數(shù)設(shè)置

    為檢測新算法的性能,并與CS-MIMIC算法、MIMIC算法比對,對下面6個無約束函數(shù)進(jìn)行檢驗[13]。

    在實驗中,MIMIC算法的參數(shù)設(shè)置如下[14]:群體數(shù)量N=300,截斷選擇為N/2,最大迭代次數(shù)范圍[10,50],這里選擇30次。進(jìn)行混沌搜索法的迭代次數(shù)為30次,對優(yōu)勢群體的20%進(jìn)行迭代實驗。

    函數(shù)1:

    minf(x)=f(1,1,…,1)=0

    函數(shù)2:

    minf(x)=f(0,0,…,0)=-105

    函數(shù)3:

    函數(shù)4:

    minf(x)=f(0,0,…,0)=0

    函數(shù)5:

    minf(x)=f(0,0,…,0)=0

    2.2 實驗結(jié)果及分析

    本文通過三種情況對實驗數(shù)據(jù)進(jìn)行歸納總結(jié),得出MSCS-MIMIC算法的優(yōu)勢。

    1)在種群更新代數(shù)、迭代次數(shù)以及維數(shù)相同的情況下,三種算法是不是能夠收斂到最優(yōu)解。本文取更新代數(shù)為200,迭代次數(shù)30次,維數(shù)M=2。

    表1 200代內(nèi)算法優(yōu)化所得結(jié)果Table 1 The results of optimization within 200 generations

    表1顯示了三種算法進(jìn)行30次獨立實驗的結(jié)果??梢钥闯?對于測試函數(shù)f1,MIMIC算法收斂到了最優(yōu)值,而MSCS-MIMIC算法以CS-MIMIC算法更高的精度收斂到最優(yōu)值附近,說明引入變尺度算法提高了新算法的收斂能力。其余函數(shù),第一、二種算法的搜索結(jié)果對應(yīng)于函數(shù)的最佳值,而MIMIC算法只找到了f2的最佳值。

    2)在維數(shù)不變的情況下,算法運行結(jié)束后進(jìn)化代數(shù)的均值。取維數(shù)M=2,進(jìn)化代數(shù)為200。

    表2 到達(dá)確定最優(yōu)值的平均進(jìn)化代數(shù)

    表2是三種算法平均進(jìn)化代數(shù)的比較結(jié)果。可以看出,MSCS-MIMIC算法的結(jié)果都較小,其中對于函數(shù)1,MSCS-MIMIC算法精度更高的前提下,算法的平均進(jìn)化代數(shù)更小,這與算法中引入混沌搜索算法有很大的關(guān)系。而且在其余函數(shù)的試驗中,MSCS-MIMIC算法都在收斂到最優(yōu)值的前提下,運行了更少的進(jìn)化代數(shù)。

    3 結(jié)論

    基于變尺度搜索算法的混沌MIMIC算法(MSCS-MIMIC)不僅繼承了CS-MIMIC算法尋優(yōu)能力高和運行速度快的特點,此外它還提升了算法的細(xì)化能力和穩(wěn)定性,是一種有效的優(yōu)化算法。從兩組實驗得出的數(shù)據(jù)可以看出,結(jié)合了變尺度搜索算法的混沌MIMIC算法能夠以較高的精度收斂到最優(yōu)值附近,或者直接收斂到全局最優(yōu)值,并且最優(yōu)值可以在較小的進(jìn)化代數(shù)內(nèi)找到,這對改進(jìn)類似優(yōu)化算法提出一種新的嘗試。

    猜你喜歡
    搜索算法維數(shù)代數(shù)
    β-變換中一致丟番圖逼近問題的維數(shù)理論
    兩個有趣的無窮長代數(shù)不等式鏈
    改進(jìn)的和聲搜索算法求解凸二次規(guī)劃及線性規(guī)劃
    Hopf代數(shù)的二重Ore擴(kuò)張
    什么是代數(shù)幾何
    科學(xué)(2020年1期)2020-08-24 08:08:06
    一類齊次Moran集的上盒維數(shù)
    關(guān)于齊次Moran集的packing維數(shù)結(jié)果
    涉及相變問題Julia集的Hausdorff維數(shù)
    一個非平凡的Calabi-Yau DG代數(shù)
    基于汽車接力的潮流轉(zhuǎn)移快速搜索算法
    莲花县| 定陶县| 郓城县| 台州市| 天等县| 邵武市| 长沙市| 渑池县| 论坛| 长宁县| 巴中市| 得荣县| 卫辉市| 礼泉县| 洪雅县| 古蔺县| 四会市| 麻栗坡县| 荔浦县| 墨玉县| 罗江县| 龙游县| 阜康市| 逊克县| 南开区| 黔江区| 仙游县| 墨江| 安徽省| 开远市| 泗洪县| 德惠市| 会同县| 漳州市| 宣威市| 阿拉善右旗| 克拉玛依市| 汉川市| 齐齐哈尔市| 乡城县| 丹寨县|