【摘要】：图3.8是MPSO算法在测试函数F5上运行50次种群中的粒子处于吸引状态和排斥状态的比例随迭代次数的平均变化曲线;表3.5是MPSO算法在五个函数上测试时，在整个的运行期间种群中吸引粒子和排斥粒子的比例。表3.5所展示的比例亦印证了这一结论，说明在MPSO算法中起主要作用的还是吸引状态的粒子，但是处于排斥状态的粒子保持了算法的多样性，有助于算法逃离局部最优，对算法性能的提升起到了推动作用。
3.4.1 吸引和排斥的比例变化
图3.8是MPSO算法在测试函数F5上运行50次种群中的粒子处于吸引状态(Attractive)和排斥状态(Repulsive)的比例随迭代次数的平均变化曲线;表3.5是MPSO算法在五个函数(维数均设置为2)上测试时，在整个的运行期间种群中吸引粒子和排斥粒子的比例。MPSO算法刚执行时，由于粒子的状态默认为吸引状态，所以在算法初期，处于吸引状态的粒子比例大约为100%;随着算法的执行，在算法中期，处于吸引状态的粒子比例逐步下降到90%左右，处于排斥状态的粒子比例逐步上升到10%左右;在算法的中后期，处于吸引和排斥状态的粒子比例有较小的波动，但是处于吸引状态的粒子比例基本维持在80%～90%这个比例范围，而处于排斥状态的粒子比例基本在10%～20%这个比例范围。表3.5所展示的比例亦印证了这一结论，说明在MPSO算法中起主要作用的还是吸引状态的粒子，但是处于排斥状态的粒子保持了算法的多样性，有助于算法逃离局部最优，对算法性能的提升起到了推动作用。
图3.8 吸引状态和排斥状态的比例变化曲线
表3.5 吸引粒子和排斥粒子比例
续表
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。
