资源描述：
《浅析一种新型优化算法——学习算法.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、论文写作不是一朝一夕，更不能胡编乱造。需要切身研究、调查、分析与归纳，需要大量的数据处理与查阅资料。本论文不求带给你多大的帮助，只愿做您脚下之石。该文档为word格式，方便复制修改打印，写论文就是这么简单一以下是正文浅析一种新型优化算法——学习算法（作者:单位:邮编:）摘要:从优化算法应该具有的共性出发,提出一种全新的算法——学习算法（LA）o该算法记录历史最优解和当前最优解这两组关键历史信息,然后让当前解向这两种最优解聚集（即学习的过程）;同时为了不放弃其他区域的搜索，让当前解的一部分完全随机地被重置。该算法原理简单
2、，可调参数少且各参数对算法效能的影响易于掌控。在多最优函数以及复杂函数的最小化测试中,通过与GA、PSO的比较，发现LA确实是一种有效的优化算法，其优化效率并不低于现有算法。数值实验还表明丄A在多最优解问题的寻优中相对GA和PSO具有非常明显的优势。关键词:学习算法;遗传算法;微粒群算法NewoptimizationalgorithmdearningalgorithmHEYi,ZHAOXiang,HUANGKa-ma(SchoolofElectronicsInformation,SichuanUniversity,Ch
3、engdu610064,China)Abstract:Thispaperpresentedanewalgorithmdearningalgorithmbasedthecommonnessofoptimizationalgorithms.Thisalgorithmrecordedthehistoricaloptimalsolutionandthecurrentoptimalsolution,andthenletthecurrentsolutionconvergetothesetwooptimalsolution(that
4、was,thelearningprocess),atthesametime,inordernottogiveupthesearchforotherregions,madeapartofcurrentsolutionbereplacedrandomly.Thealgorithmhadsimpletheoryandsmalladjustableparameters,andtheeffectforeveryparametertoalgorithmwaseasytocontrol.Inthetestofmulti-optimu
5、mfunctionandminimizationofcomplexfunction,foundthatcomparedwithGAandPSO,LAwasindeedaneffectivealgorithm.NumericalexperimentsalsoshowthatLAhasaverydistinetadvantageinmulti-optimumproblemscomparedwithGAandPSO.Keywords:learningalgorithm(LA);geneticalgorithm(GA);par
6、ticleswarmoptimization(PSO)0引言在最近二十年中，各种各样的优化算法得到了飞速的发展并成功运用于各种领域，这些算法模拟不同的生物或物理现象,使各种人工系统具有优良的自适应能力和优化能九例如，遗传算法(GA)［1,2］模拟生物的进化过程、微粒群算法(PSO)［3］模拟鸟类群体行为、蚁群算法(antcolonyoptimization,ACO)［4］模拟蚂蚁觅食行为、模拟退火算法(simulatedannealing,SA)［5］模拟高温物体的退火过程等。微粒群算法、蚁群算法具有原理简单、容易实现
7、且初期收敛迅速的优点。但是，以PSO为例,算法在后期很容易陷入局部最优,特别是在求解高维多峰问题上，形成所谓的“早熟”现象，这也是PSO算法的最大缺点［6］。而遗传算法虽然在早期表现出较慢的收敛速度，但是在后期却拥有比PSO更好的全局搜索性能。也有学者对传统的这些算法作出了一些改动，使算法在某些方面的特性得到了一些改善。比如在PSO算法中，采用线性递减［7］和模拟自适应方法［8］动态调整惯性因子,提高了算法的全局搜索能力和搜索精度;对PSO算法加入收缩因子以改善其收敛性［9］,借鉴遗传算法中的自然选择机制，改善局部搜索
8、能力口0］;在遗传算法中加入小生境模型口□维护群体多样性，加大多峰搜索力度;采用最优保存策略,改善收敛速度。然而,无论上述优化算法是在模拟何种自然现象，也无论它们得到何种改进和优化，它们的效能和优化机理都必须从优化问题本身的角度得到解释，即它们为什么一方面可以向最优解收敛，而另一方面又可以避免陷入局部最优？它们在绝大多数问题中的寻
