《表3 利用集成学习框架增强其他人工蜂群算法变种的实验结果 (D=50, N=100)》
根据式(9),个体i的集成最优解由i在排序种群R中的排序序号si与好于i的解在排序种群中的序号k决定。当种群规模N变大时,由于较差解的排序序号si较大,因此好于i的较好解较多,会造成较好解在集成最优解中的权重下降。为了考查这一影响,表3给出了当种群规模N=100时的实验结果,其余参数与表1相同。对比表3与表1可以发现,在表3中嵌入集成学习框架的改进算法MGABC_EL与DFSABC_elite_EL相对于MGABC、DFSABC_elite的优势不如表1大。造成优势下降的主要原因是当种群规模N增大时,函数值靠后的个体使用的集成最优解中全局最优解等好解的权重下降,因此算法收敛速度受到影响。但是根据表3,集成学习框架仍能明显增强MGABC与DFSABC_elite的性能。
图表编号 | XD0044339700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.20 |
作者 | 杜振鑫、刘广钟、赵学华 |
绘制单位 | 韩山师范学院计算机与信息工程学院、上海海事大学信息工程学院、深圳信息职业技术学院数字媒体学院 |
更多格式 | 高清、无水印(增值服务) |