计算机科学与探索

作者：刘志, 宋威

单位：1. 江南大学 人工智能与计算机学院，江苏 无锡 2141222. 江南大学 江苏省模式识别与计算智能工程实验室，江苏 无锡 214122

关键词：动态优化,增量极限学习机,前馈神经网络,粒子群优化

在动态优化问题（DOP）中环境的变化可描述为不同类型的动态，动态优化算法（DOA）对环境的适应性十分重要。此外，DOA的局部和全局多样性损失是导致其开发和勘探能力下降的主因之一。在动态环境中保持局部和全局多样性可有效避免多样性损失。为此，提出一种基于搜索引导网络的粒子群优化算法（SGN-PSO），每个输入粒子基于SGN隐藏层选择学习目标，在输出层调整其加速系数，从而引导粒子的搜索。SGN属于单隐层径向基神经网络，每个隐藏节点由其中心和半径组成。设置多个相互远离的隐藏节点中心，即子群中心，从而获得多个子群。每个粒子从其所属子群不同个体历史最优位置中选择局部学习目标，从相互远离的多个子群中心中选取全局学习目标，有助于种群的局部和全局多样性保持。SGN以强化学习方式来获得输入粒子的期望输出，并通过极限学习来预训练网络。设计节点的重要性和拥挤度指标，以获取紧凑网络结构，并增量学习保证网络拟合能力。无论环境如何变化，所提方法都能够通过学习来适应不同的环境，以引导粒子的搜索，从而有效处理不同动态的DOP。在MPB和DRPBG标准测试组件上和五种主流DOA开展对比实验，结果表明，SGN-PSO在求解多种动态的DOP上取得了显著的表现提升。

来源：2024年第12期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2024年第12期