2、混合搜索算子性能量化与和谐搜索算法优化极限学习机

混合搜索算子性能量化与和谐搜索算法优化极限学习机

搜索算子性能量化

在搜索算子性能量化中，当解决方案更新时，用于找到局部最优解的算子以百分比形式定义。例如，若存在一个现有的和声记忆（HM），新的 HM 生成了比原 HM 更好的局部最优解，NFOS（某个性能指标）就会增加 1。此时，不同搜索算子的使用比例分别为：和声记忆考虑（HMC）占 66.67%，音高调整（PA）占 16.67%，随机选择（RS）占 16.67%。这种量化方式将算法的搜索过程分为五个部分，有助于确定哪个搜索算子在哪些部分表现良好。

应用结果

将三种元启发式算法（遗传算法 GA、和声搜索算法 HSA、粒子群算法 PSO）和两种混合算法（带交叉的 HSA、带 PSO 的 HSA）应用于数学基准函数，并对其性能进行评估。由于 PSO 的算子参数并非随机的，因此除 PSO 外的其他算法的算子都进行了量化。
- 数学基准函数 ：使用了五个数学基准问题来评估算法性能，具体函数及约束条件如下表所示：
| 问题 | 公式 | 约束条件 |
| — | — | — |
| Ackley 函数 | (min f (x, y) = -20exp(-0.2\sqrt{\frac{1}{N}\sum_{i=1}^{N} x_{i}^{2}}) - exp(\frac{1}{N}\sum_{i=1}^{N} cos(2\pi x_{i})) + e + 20) | (-32.768 \leq x \leq 32.768) |
| Rastrigin 函数 | (min f (x) = An + \sum_{i=1}^{n}[x_{i}^{n} -