《表2 四种算法的参数设置》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于交叉迁移和共享调整的改进蝴蝶优化算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在实验中，将本文CSMBO算法与其他三种相关的优化算法（PSO[9]、MBO[15]、GCMBO[24]）进行优化性能对比分析。本文用四种算法对不同维度的基准函数进行优化实验，以便验证CSMBO算法的有效性、高优化效率和普适性等。函数的维度选择包括30维和50维。不同的维度选择可以增加寻优难度，以便验证CSMBO算法处理各种复杂优化问题的能力。四种算法的共同参数设置如表2所示。其中，最大迭代次数maxGen随优化函数的维数增加而增加，其他参数设置均与相关文献保持一致。在表2中，选择两个维度（30维和50维）进行算法性能测试，其中30维对应的种群数量和最大迭代次数分别是50和1 000，50维对应的种群数量和最大迭代次数分别是50和2 000。在实验实施过程中，若种群规模过小，会导致算法收敛速度过慢；若种群规模过大，会增加算法的时间复杂度，浪费不必要的存储空间。在文献[24]提出的结合贪婪策略和自适应交叉算子的MBO算法、文献[26]提出的采用动态分割种群策略的改进MBO算法以及文献[29]提出的基于自适应种群的改进MBO算法中，均将种群规模设置为50，因此，本文在分配种群规模时，考虑到基准函数的维度和MBO算法的特点，也将种群规模设置为50。为了避免随机性对实验结果的影响，在仿真实验中，四种算法对每一个优化问题均独立进行30次实验。