种群自适应调整的克隆多峰函数优化

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (11): 50-53.

种群自适应调整的克隆多峰函数优化

裴芳1，2，张洁1，2，唐俊3

1.湖南机电职业技术学院信息工程系，长沙 410151
2.华中科技大学计算机科学系，武汉 430074
3.同济大学软件学院，上海 230021

出版日期:2013-06-01 发布日期:2013-06-14

Multi-model function optimization based on clonal optimization with self-adaptive population size

PEI Fang1，2, ZHANG Jie1，2, TANG Jun3

1.Department of Information Engineering, Hunan Mechanical & Electrical Polytechnic, Changsha 410151, China
2.Department of Computer Science, Huazhong University of Science and Technology, Wuhan 430074, China
3.School of Software, Tongji University, Shanghai 230021, China

Online:2013-06-01 Published:2013-06-14

摘要/Abstract

摘要： 为了尽可能求得多峰函数的最优解，提出了一种种群规模自适应调整的克隆算法。实现了种群规模根据进化过程自适应的变化，平衡了种群规模对算法效率的影响。此外，结合多峰函数优化的特点，为了增强算法搜索最优解的能力，采用Larmack学习策略作为局部搜索机制。实验结果表明，该算法求解效果较好。

关键词: 克隆优化, 多峰函数, 种群规模, 局部搜索

Abstract: In order to get the best solutions of the multi-model function, an immune clonal algorithm with self-adaptive population size is proposed. The self-adaptive population size changes with the evolutionary process are achieved to balance the impact of population size on the efficiency of the algorithm. In addition, in terms of multi-modal function optimization characteristics, Larmark learning is used as a local search strategy to enhance the search ability for the optimal solution. The experimental results show that the algorithm has better performances.

Key words: clone optimization, multi-model function, population size, local search

裴芳1，2，张洁1，2，唐俊3. 种群自适应调整的克隆多峰函数优化[J]. 计算机工程与应用, 2013, 49(11): 50-53.

PEI Fang1，2, ZHANG Jie1，2, TANG Jun3. Multi-model function optimization based on clonal optimization with self-adaptive population size[J]. Computer Engineering and Applications, 2013, 49(11): 50-53.

[1]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[2]	郝翔，贺毅朝，朱晓斌，翟庆雷. 基于离散混合多宇宙算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(18): 103-113.
[3]	闫苗苗，刘三阳. 多班级交互式教学优化算法[J]. 计算机工程与应用, 2019, 55(9): 10-16.
[4]	刘春苗，张惠珍. 求解无容量设施选址问题的混合蝙蝠算法[J]. 计算机工程与应用, 2018, 54(22): 28-34.
[5]	刘明辉1，李炜2. 基于knee points的改进多目标人工蜂群算法[J]. 计算机工程与应用, 2018, 54(2): 40-47.
[6]	董小帅1，2，3，毛政元1，2，3. 基于改进遗传算法的动态路径规划研究[J]. 计算机工程与应用, 2018, 54(19): 49-55.
[7]	吴聪聪1，赵建立1，2，刘雪静1，陈嶷瑛1. 改进的差分演化算法求解多维背包问题[J]. 计算机工程与应用, 2018, 54(11): 153-160.
[8]	胡炜1，2，曾斌1，姚路1. 事件驱动下的重点海域监测站部署算法研究[J]. 计算机工程与应用, 2017, 53(7): 136-140.
[9]	宋强. 改进迭代局部搜索算法在MMTVRP中的应用[J]. 计算机工程与应用, 2017, 53(7): 248-255.
[10]	王丽1，王晓凯2. 多峰函数优化的改进群居蜘蛛优化算法[J]. 计算机工程与应用, 2017, 53(3): 1-6.
[11]	洪剑珂1，张峥华2，许贵平2. 基于加强概率控制策略的SAT局部搜索算法[J]. 计算机工程与应用, 2017, 53(14): 56-60.
[12]	王蒙，樊坤，翟亚飞，李心宁. 网络并行计算中多处理机任务调度问题研究[J]. 计算机工程与应用, 2017, 53(10): 264-270.
[13]	伍艳莲1，2，姜海燕1，2，庄嘉祥1，郭小清1，许一骅1. 精英策略个体优势遗传算法研究[J]. 计算机工程与应用, 2016, 52(7): 143-149.
[14]	林耿1，徐梅琴2. 图的最大二等分问题的一种离散填充函数算法[J]. 计算机工程与应用, 2016, 52(5): 27-32.
[15]	鲁宇明1，4，王彦超2，刘嘉瑞3，Wu Liu4. 一种改进的生物地理学优化算法[J]. 计算机工程与应用, 2016, 52(17): 146-151.