重庆文理学院最新研究：一种基于余弦相似度的全局优化与分类问题的随机粒子群优化
论论资讯 ｜ 2024-04-27 ｜
13热度
Biomimetics
Explore content
About the journal
Publish with us
A Random Particle Swarm Optimization Based on Cosine Similarity for Global Optimization and Classification Problems
Liu Yujia; Zeng Yuan; Li Rui; Zhu Xingyun; Zhang Yuemai; Li Weijie; Li Taiyong; Zhu Donglin; Hu Gangqiang
Published：2024-03-28
DOI：10.3390/biomimetics9040204
研究背景
在当今快节奏且不断变化的环境中，随着各种优化问题的出现，对具有增强全局优化能力的算法的需求变得日益关键。然而，当前研究领域存在的问题是如何有效应对这些复杂的优化问题，这正是本次研究的关注点。
研究内容
最新研究发现了一种名为“基于余弦相似性的随机粒子群优化（RPSO）”的全新算法。该算法通过在IEEE进化计算大会（CEC）2022测试数据集和卷积神经网络（CNN）分类实验中进行评估，展现出了出色的性能。RPSO算法在传统PSO算法的基础上进行了多项关键改进。首先，调整了参数选择，并引入了一种称为“随机对比交互（RCI）”的机制，促进了粒子之间的信息交流，从而提高了算法有效探索搜索空间的能力。其次，引入了二次插值（QI）以提高算法的局部搜索效率。RPSO利用余弦相似性来选择QI和RCI，动态更新种群信息以引导算法朝向最佳解决方案。通过对CEC 2022测试数据集的评估，RPSO与最近的PSO变体和CEC社区中的顶尖算法进行了比较。结果突显了RPSO的强大竞争力和优势，验证了其在处理全局优化任务中的有效性。此外，在针对医学图像优化CNN分类实验中，RPSO表现出了与其他算法和变体相媲美的稳定性和准确性，进一步证实了RPSO在提升CNN分类任务性能方面的价值和实用性。
研究意义
这项研究的创新点在于提出了一种新颖的全局优化算法RPSO，为解决复杂优化问题提供了新的思路。通过与传统PSO算法和其他前沿算法的比较，研究结果显示了RPSO在全局优化任务中的卓越表现。同时，RPSO在优化CNN分类任务中也展现出了稳定性和准确性，为改善CNN性能提供了有效途径。这一研究成果不仅有望推动全局优化算法的发展，还将为相关领域的研究和应用带来新的启示。
希望这篇文章能够帮助你更好地了解这项有趣的研究成果！
学术热榜
查看全部
相关资讯
换一批