混合粒子群-蝴蝶算法
文章目录
- 混合粒子群-蝴蝶算法
- 1.蝴蝶优化算法
- 2. 改进蝴蝶优化算法
- 2.1 算法的种群初始化
- 2.2 算法的全局搜索
- 2.3 算法的局部搜索
- 2.4 控制参数 c 和 ω
- 3.实验结果
- 4.参考文献
- 5.Matlab代码
- 6.Python代码
摘要：提出一种粒子群-蝴蝶混合算法（hybrid particle swarm-butterfly algorithm， HPSBA）优化策略。设计了Logistic映射和自适应调节策略来控制参数值，提高了混合算法的寻优速度、收敛精度和全局搜索能力。
1.蝴蝶优化算法
2. 改进蝴蝶优化算法
2.1 算法的种群初始化
设 维搜索空间中, 随机生成初始解的表达式 为:
式中, 表示蝴蝶群体中第
只蝴蝶
,
空间位置,
表示初始解的个数;
分别表 示搜索空间的上界和下界;
表示
2.2 算法的全局搜索
混合算法 HPSBA 的全局搜索阶段可表示为:
式中, 表示自适应调节参数;
分别表示第
个粒子在
和
时刻的速度;
的取值为
2.3 算法的局部搜索
混合算法 HPSBA 的局部搜索阶段可表示为:
式中, 和
分别是从解空间中随机选取的第
和第
只蝴蝶;
表示自适应调节参数。
式中, 的取值为
2.4 控制参数 c 和 ω
HPSBA 中控制参数 的表达式为:
惯性权重系数 对 PSO 算法的粒子飞行速度 有着直接的影响, 能够调整算法的全局搜索和局部 搜索能力。本文采用自适应的调整策略为:
式中,
3.实验结果
4.参考文献
[1]张孟健,汪敏,王霄,覃涛,杨靖.混合粒子群-蝴蝶算法的WSN节点部署研究[J/OL].计算机工程与科学:1-9[2021-11-04].http://kns.cnki.net/kcms/detail/43.1258.TP.20210916.1048.002.html.
5.Matlab代码
6.Python代码