《表2 基于拟合阈值K的函数F2和F5的平均结果》

  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

《自适应动态控制种群分组的自然计算方法》

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

通过上文对拟合阈值的分析，若拟合阈值K过小，会产生欠拟合，反之，K越大，则过拟合，会削弱分组的意义。因此，我们选取K为0、10、20分别作用于单峰函数F2和一多峰函数F5。从表2的数据结果可以得出对于多峰函数，拟合阈值的变动不改变最终的寻优结果，但是从收敛曲线图3明显看出算法收敛到最优值的适应度值计算次数不同，K=10的时候，多峰函数更早的找到最优值。而对于单峰函数，K=0时的平均适应度值与全局最优值都是最佳的，这是由于单峰函数不存在多个最优值点，直接拟合不易陷入局部最优。之后随着K值不断增大，拟合曲线越接近目标函数曲线，因此，最终的收敛结果会更精确。由于种群经过K次迭代后的高斯拟合曲线更加接近目标函数曲线，但是，若K值无限变大，则削弱了种群分组的意义，所以为平衡拟合曲线与种群分组的作用，在本次实验中，本文确定K=10。