针对粒子群优化算法存在的全局探索与局部开发不平衡、易陷入局部最优等问题,本文提出一种基于强化学习与三种档案的粒子群优化算法(particle swarmoptimiz ationalgorithm based on reinforcement learning and triple archives,PSO-RL...针对粒子群优化算法存在的全局探索与局部开发不平衡、易陷入局部最优等问题,本文提出一种基于强化学习与三种档案的粒子群优化算法(particle swarmoptimiz ationalgorithm based on reinforcement learning and triple archives,PSO-RLTA).该算法通过构建三类外部档案,分别用于提升种群多样性和收敛性,并在此基础上设计了四种学习策略,以增强算法在搜索过程中的自适应能力;进一步结合强化学习机制,提出一种学习策略的智能选择方法,从而加快收敛速度;此外,引入基于档案的扰动搜索策略,提升算法跳出局部最优的能力.在CEC2017基准测试函数和工程设计优化问题上的实验结果表明,PSO-RLTA在收敛速度与寻优精度方面均优于对比算法.展开更多
文摘针对粒子群优化算法存在的全局探索与局部开发不平衡、易陷入局部最优等问题,本文提出一种基于强化学习与三种档案的粒子群优化算法(particle swarmoptimiz ationalgorithm based on reinforcement learning and triple archives,PSO-RLTA).该算法通过构建三类外部档案,分别用于提升种群多样性和收敛性,并在此基础上设计了四种学习策略,以增强算法在搜索过程中的自适应能力;进一步结合强化学习机制,提出一种学习策略的智能选择方法,从而加快收敛速度;此外,引入基于档案的扰动搜索策略,提升算法跳出局部最优的能力.在CEC2017基准测试函数和工程设计优化问题上的实验结果表明,PSO-RLTA在收敛速度与寻优精度方面均优于对比算法.
