《表4 各算法的实验对比结果》

  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

《基于非线性降维的自然计算方法》

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

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。