【摘要】：表3.8是MPSO算法采用表3.6和表3.7对应的九种参数组合在五个测试函数上分别运行50次获得的最优值和标准差。从表3.8可以看出，MPSO算法在序号为2，3，4，7，8的参数组合下，具有较好的性能。
3.5.2 基于正交试验设计的参数选择和优化
这是主要考察dl、dh、种群大小和迭代次数对MPSO算法性能的影响，对应到正交试验设计中就是四个因素，每个因素分别取三个具有代表性的数值，即三个水平，每个因素的三个水平的取值如表3.7所示。如果采用全面实验的方式，实验次数将是3×3×3×3=81次，如果MPSO算法采用此参数组合在五个测试函数上分别运行，那么实验次数将大到81×5=405 次;如果采用正交试验设计的方法，四因素三水平只需要9×5=45次实验，实验次数减少近88.9%。
表3.7 水平因素对照表
表3.8是MPSO算法采用表3.6和表3.7对应的九种参数组合在五个测试函数(维数为2)上分别运行50次获得的最优值和标准差。
表3.8 正交试验设计实验结果
单元格中上方的数值为最优值，下方的数值为标准差。从表3.8可以看出，MPSO算法在序号为2，3，4，7，8的参数组合下，具有较好的性能。分析这五种参数组合，发现迭代次数都是300或者500，没有100这个水平的，说明迭代次数对MPSO算法的性能有一定的影响，建议迭代次数取值为300以上;种群大小的取值在三个水平中均有，表明种群大小对MPSO算法的性能影响不是很显著，建议取值为20～60;五种参数组合中，dl和dh也在三个水平中均有取值，MPSO算法在五个测试函数皆具有良好的搜索性能，再次验证了前期的实验结论，即dl和dh分别在L×1E－4～L×1E－2，0.2×L～0.3×L之间取值时，算法具有相对较好的性能。
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。
