《表2 四种算法的参数设置》
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。
图表编号 | XD00133925800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 孙林、陈岁岁、徐久成、王振华 |
绘制单位 | 河南师范大学计算机与信息工程学院、河南省高校计算智能与数据挖掘工程技术研究中心、河南师范大学计算机与信息工程学院、河南师范大学计算机与信息工程学院、河南省高校计算智能与数据挖掘工程技术研究中心、河南师范大学计算机与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |