应用于组合优化的自适应PBIL算法研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (6): 225-227.

应用于组合优化的自适应PBIL算法研究

汪丽华¹，马良荔¹，石向荣²

1.海军工程大学计算机工程系，武汉 430033
2.中国人民解放军92815部队

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-02-21 发布日期:2011-02-21

Adaptive population-based increased learning algorithm and its application in optimization

WANG Lihua¹，MA Liangli¹，SHI Xiangrong²

1.Department of Computer Engineering，Naval University of Engineering，Wuhan 430033，China
2.92815 Units，PLA

Received:1900-01-01 Revised:1900-01-01 Online:2011-02-21 Published:2011-02-21

摘要/Abstract

摘要： 为解决组合优化过程中最优解的搜索效率问题，研究了一种基于自适应理论的PBIL算法。通过引入系统熵值，使传统PBIL算法的学习概率和变异率能根据系统熵值的变化作自适应调整，形成具有自学习和变异能力的自适应PBIL算法（APBIL）。通过实例验证了该算法的实用价值和有效性。

关键词: 组合优化, 自适应, 基于人口的增量学习（PBIL）算法

Abstract: For solving the problem of searching the best solution in the processes of optimization，a new Population-Based Increased Learning（PBIL） algorithm is put forward.With the introduce of system entropy，learning percent and optimum capability of the traditional PBIL algorithm can be adjusted automatically.And that is the adaptive PBIL algorithm which has adaptive function and mutation capability.When it is used in optimization problem，it makes the processes of the optimization more effective.

Key words: optimization, adaptivel, Population-Based Increased Learning（PBIL） algorithm

汪丽华¹，马良荔¹，石向荣². 应用于组合优化的自适应PBIL算法研究[J]. 计算机工程与应用, 2011, 47(6): 225-227.

WANG Lihua¹，MA Liangli¹，SHI Xiangrong². Adaptive population-based increased learning algorithm and its application in optimization[J]. Computer Engineering and Applications, 2011, 47(6): 225-227.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[3]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[4]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[5]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[6]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[7]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[8]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[9]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[10]	肖振久，孔祥旭，宗佳旭，杨玥莹. 自适应聚焦损失的图像目标检测算法[J]. 计算机工程与应用, 2021, 57(23): 185-192.
[11]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[12]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.
[13]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[14]	陈瑶，陈思. 基于自适应多普勒及动态邻域的改进BA算法[J]. 计算机工程与应用, 2021, 57(22): 166-176.
[15]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.