13、智能算法在优化问题中的应用与改进

智能算法在优化问题中的应用与改进

在解决各类优化问题时，多种智能算法不断涌现并发展，这些算法在不同场景下展现出各自的优势与不足。本文将介绍几种算法的特点、改进方法以及相关实验结果。

1. RVM - GP与KP在曲线拟合问题中的表现

在曲线拟合问题上，对RVM - GP、KP以及其他技术进行了比较。从结果来看，构建线性模型的RVM - GP和KP表现优于其他方法，并且RVM - GP的性能与KP相当，二者的运行成功率均达到100%。基于RVM的方法避免了奇异性和需要阈值的假设检验。值得注意的是，RVM传统上作为一种核技术使用，但它可以应用于任何表示为特征函数线性组合的模型。

2. PSOAP：基于亲和传播的粒子群优化算法

为了在局部搜索和全局搜索之间取得良好平衡，提出了基于亲和传播（AP）的粒子群优化算法PSOAP（PSO + AP）。

2.1 基本步骤

• 聚类与拓扑构建 ：根据粒子群的位置信息，使用AP聚类创建簇，并随机为簇分配编号，将这些编号按顺序排列形成环形拓扑，作为簇的拓扑结构。
• 簇评估值计算 ：对于每个簇，计算其簇评估值$C_{bk}$（$k$为簇编号），该值定义为属于该簇的粒子评估值的最优值。引入邻域最优值$\vec{p} n$，它是粒子$i$邻域内的最优值，邻域指与粒子$i$在同一簇或在环形拓扑中与该簇相连的簇中的粒子。例如，若包含粒子$i$的簇编号为$j$，则从$C {b_{j - 1}}$、$C_{b_j}$和$C_{b_{j + 1}}$中选择最佳评估值，并将产