【摘要】：在Kennedy，Mendes等的研究基础之上，很多研究者也开始关注动态的邻域拓扑结构，比较PSO算法采用不同拓扑结构时的性能差异。然而，以上动态可变拓扑的设计在计算距离或概率时都增加了额外的时间耗费，从而增加了算法的复杂性。
2.3.2 动态邻域拓扑结构研究
在Kennedy，Mendes等的研究基础之上，很多研究者也开始关注动态的邻域拓扑结构，比较PSO算法采用不同拓扑结构时的性能差异。Suganthan［78］尝试根据粒子之间的距离，通过邻域算子动态地调整粒子的邻域;王雪飞等［79］受到小世界网络模型的启发，在进化过程中根据概率动态地调整粒子的邻域结构;翁雯等［80］先计算粒子成为其他粒子的邻域粒子的概率，再在进化过程中根据这些概率对每个粒子选择邻域粒子。然而，以上动态可变拓扑的设计在计算距离或概率时都增加了额外的时间耗费，从而增加了算法的复杂性。倪庆剑等［81］通过对典型的粒子群拓扑结构进行分析，引入了多簇结构型拓扑，并结合高斯动态PSO算法，提出了一种基于可变多簇结构的动态概率PSO算法，可变拓扑策略在粒子群进化的不同阶段采用不同的多簇结构，协调算法的勘探和开采能力，提高算法的寻优性能。Akat和Gazi［82］采用了三种策略来动态改变粒子的邻域结构，第一种策略是根据粒子搜索空间的最近邻域，第二种策略是函数空间的最近邻域，最后一种策略是随机邻域结构;Vladimiro，Hrvoje和Jaramillo［83］在星状通信拓扑结构上为每一条引入个概率值p得到了随机星状通信拓扑结构，如图2.6所示，其中左图是星状拓扑结构，右图是随机星状拓扑结构。
图2.6 星状拓扑结构
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
