计算机科学与探索

作者：赵晓妍, 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：粒子群优化（PSO）,注意力机制,聚集度指标,存档,局部搜索

尽管目前粒子群优化（PSO）算法在求解很多优化问题上表现出了良好的性能，但如何在保持种群多样性的同时确保收敛精度，防止群体陷入局部最优，平衡勘探与开发之间的矛盾，仍是粒子群优化算法研究需要解决的问题。针对这些问题，提出了一种聚集度指标引导的注意力学习粒子群优化算法（ALPSO-AI）。首先，为了有效保持种群多样性，整个种群被分成若干大小相等的子群，并且在进化过程中重新组合，在每一代中，子群中的不同粒子根据其性能自适应地选择多个优质的学习对象。种群外部设有存档，用于指导种群的搜索并评估进化程度；其次，引入注意力机制，根据每个学习对象与更新粒子适应值的差异，对每个学习对象赋予不同的注意力权重，生成一个高质量的学习榜样，用于粒子的更新。针对搜索前期和后期不同的搜索需求，分别设计不同尺度的注意力分配方式，进行全局搜索和局部搜索；此外，对存档引入聚集度指标，通过判断当前最优粒子周围的适应值相似度，评估当前种群进化水平，当聚集度指标达到阈值时，开启局部搜索，以增强算法的整体收敛能力。实验对CEC2013测试集的28个基准函数在30维和50维的空间分别进行测试，并与主流的5种变体PSO和其他优化算法进行比较，实验结果证明了ALPSO-AI的优越性。此外，注意力学习和聚集度指标的有效性也进行了充分的验证。

来源：2023年第8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2023年第8期