《表4 各算法的实验对比结果》
协同进化动态粒子群优化算法(Dynamic MultiSwarm-Cooperative Coevolution,DMS-CC)[17]、社会学习粒子群优化算法(Social Learning Particle Swarm Optimization,SLPSO)[25]、动态多种群粒子群优化算法(Dynamic Multi-Swarm Particle Swarm Optimizer,DMS-PSO)[26]以及竞争学习算法(Competiti-ve Swarm Optimizer,CSO)[27],均为针对求解大规模高维复杂问题而提出的算法。将本文所提非线性降维算法与文献[17,25–27]中的算法对比,为了与文献中测试保持一致,因此,采用F1,F 3~F 6和F 8这6个测试函数,其中“–”表示文献中没有此函数数据,结果如表4所示。从表4中可以直观地看到,NDRPSO在F 3,F 4,F 5,F 6和F 8这5个测试函数中的寻优结果优于其他4个算法。在搜索前期,NDRPSO将最大线性无关组保留下来,同时加入随机系数,这样便使得种群在不丧失多样性的前提下降低了维数,避免了种群陷入局部最优。而其他4个算法没有改变种群的维数,只是针对大规模种群做的改进,其种群内部的冗余信息极易使搜索陷入局部最优。但是,NDRPSO在测试函数F1中取得的结果不是很理想,该测试函数的变量之间相关性较小,即函数变量本身之间的冗余信息较少,因此,在相同条件下收敛能力强的算法结果更优。
图表编号 | XD00146216500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.01 |
作者 | 季伟东、孙小晴、林平、罗强、徐浩天 |
绘制单位 | 哈尔滨师范大学计算机科学与信息工程学院、哈尔滨师范大学计算机科学与信息工程学院、哈尔滨医科大学、哈尔滨师范大学计算机科学与信息工程学院、哈尔滨师范大学计算机科学与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |