多种优化算法的参数选择及性能比较

仿真参数的选取由于BBO只是许多不同的智能优化算法之一，若想了解BBO的性能表现，就需要在各种不同的基准函数应用中，与其他智能优化算法进行性能比较．本文选择7种与BBO算法类似的传统智能优化算法，用几个不同的基准函数对各种优化算法进行性能比较．7种算法分别是蚁群优化算法(ACO)、差分进化算法(DE)、演化策略算法(ES)、遗传算法(GA)、人口增量学习算法(PBIL)、粒子群优化算法(PSO)和螺栓遗传算法(SGA)．测试用的基准目标函数分别选为Step函数、Rastrigin函数、Ackley函数、Griewank函数等，它们的n个输入参数均为xi(i=1，2，…，n)，其全局最小值点x*=(0，…，0)，此时目标函数的最小值f(x*)=0（式略）本文对每一种优化算法都粗略地调整了参数，以期获得更好的性能表现，但并没有对任何一种算法的参数进行特殊微调．其中DE算法的权重因数F=0．5，交叉常数为0．5;GA算法轮盘选择的交叉遗传率为1，突变率为0．01;PSO算法仅在全局学习中使用，其惯性常数为0．3，认知常数为1，粒子群交互作用常数为1;BBO算法的栖息地更新概率为1，每代迁移率范围［0，1］，几率积分计算的步长、最大迁入和迁出率均为1．BBO算法中的各参数值是在经过数次仿真后选取的，目的是让其能够更高效地得到最优解．每种算法的种群大小s=50，迭代最大次数K=50．多种优化算法性能的比较经过仿真可得到下列多种智能优化算法的曲线。在此仿真中，我们尝试模拟的是最低成本(C)的测试．由于成本越低，其算法具有的性能越好，因此容易找到在每个基准函数测试中性能表现最佳的算法．本仿真迭代次数K=50，每一代都有一个最好的结果，然后用最好的成绩来模拟下一次迭代．经过50次的模拟，即可得到最终结果，即最低成本．由图2至5中可以看出，在仿真开始时每种优化算法的结果都大致相同，直到K=10以后，BBO算法的仿真结果在所有算法中是最优的，这种现象一直持续到仿真结束;GA和DE的仿真结果与BBO的相类似，其最优解都和BBO算法的最优解很接近，可以很直观地看到BBO在基准函数中的优越性．因此，BBO算法的仿真结果在所选择的智能优化算法中几乎都是最优越的．由于仿真中没有刻意调整各优化算法的参数，不同的参数值可导致优化算法中性能发生很大变化，有些优化算法的性能表现并不理想，而且对于现实中的不同问题，相应结果也可能会发生改变，得到不同的结论．但在本仿真中，可以得到各种处理常规优化算法问题性能的结果，由此也可以看出BBO算法是很有效的．因此，BBO算法是一种基于种群的、能够解决工程优化问题的有效算法．