考虑多种训练方式的自适应最有价值球员算法

摘要

最有价值球员算法(MVPA)是一种模拟体育比赛的新型智能优化算法,为解决其寻优精度低和收敛速度慢等问题,提出一种考虑多种训练方式的自适应最有价值球员算法(ACMTM-MVPA)。MVPA的初始化方式单一,随机性和盲目性强,降低了算法的收敛速度和寻求精度。为了增强初始化球员的水平,提高初始球队的整体实力,在MVPA的竞争阶段之前加入了训练阶段,并在训练阶段使用邻域搜索算法以及混沌序列和反向学习算法来训练和筛选球员;为了增强球员的自我探索能力以及向最佳球员学习的能力,使球员具有争夺最有价值球员奖杯的资格,在队伍竞争阶段加入了自适应的球员进化因子。对15个标准函数的测试结果表明,ACMTM-MVPA与MVPA、粒子群优化(PSO)算法和遗传算法(GA)相比,在寻优精度和收敛速度上更有优势。最后给出了ACMTM-MVPA在暴雨强度公式参数优化中的应用实例,结果显示,该算法法明显优于自适应光学优化算法、传统回归法与优选回归法。