云自适应粒子群算法

doi:10.3778/j.issn.1002-8331.2009.01.014

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (1): 48-50.DOI: 10.3778/j.issn.1002-8331.2009.01.014

云自适应粒子群算法

韦杏琼,周永权,黄华娟,罗德相

广西民族大学数学与计算机科学学院，南宁 530006

收稿日期:2008-06-16 修回日期:2008-09-08 出版日期:2009-01-01 发布日期:2009-01-01
通讯作者: 韦杏琼

Adaptive particle swarm optimization algorithm based on cloud theory

WEI Xing-qiong,ZHOU Yong-quan,HUANG Hua-juan,LUO De-xiang

College of Mathematics and Computer Science，Guangxi University for Nationalities，Nanning 530006，China

Received:2008-06-16 Revised:2008-09-08 Online:2009-01-01 Published:2009-01-01
Contact: WEI Xing-qiong

摘要/Abstract

摘要： 文中提出了云自适应粒子群优化（CAPSO）算法，根据粒子适应度值把种群分为三个子群，分别采用不同的惯性权重生成策略，由X条件云发生器自适应调整普通子群粒子的惯性权重，由于云模型云滴具有随机性和稳定倾向性特点，使惯性权重既具有传统的趋势性，满足快速寻优能力，又具有随机性，在提高收敛速度和保持种群多样性之间做了一个很好的权衡。通过典型函数优化实验表明，与标准粒子群算法相比，CAPSO具有较高的计算精度和较快的收敛速度。

关键词: 粒子群优化, 惯性权重, 自适应参数调整, 云理论

Abstract: In this paper，an adaptive particle swarm optimization algorithm based on cloud theory is proposed，the particles are divided into three group based on the fitness of the particle in order to adopt different inertia weight generating strategy.The inertia weight in general group is adaptively varied depending on X-conditional cloud generator.The inertia weight has the stable tendency and randomness property because of the cloud model，this not only improves the convergence speed，but also maintains the diversity of the population.In all cases studied，CAPSO is greatly superior than PSO in the terms of efficiency.

Key words: Particle Swarm Optimization（PSO）, inertia weight, adaptive parameter adjusting, cloud theory

韦杏琼,周永权,黄华娟,罗德相. 云自适应粒子群算法[J]. 计算机工程与应用, 2009, 45(1): 48-50.

WEI Xing-qiong,ZHOU Yong-quan,HUANG Hua-juan,LUO De-xiang. Adaptive particle swarm optimization algorithm based on cloud theory[J]. Computer Engineering and Applications, 2009, 45(1): 48-50.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	张公凯，陈才学，郑拓. 改进鲸鱼算法在电动汽车有序充电中的应用[J]. 计算机工程与应用, 2021, 57(4): 272-278.
[4]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[5]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[6]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[7]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[8]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[9]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[10]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[11]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[12]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[13]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[14]	谢伟1，王莉明1，胡欢君1，涂志刚2. 结合引导滤波的自适应多曝光图像融合[J]. 计算机工程与应用, 2019, 55(4): 193-199.
[15]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.

云自适应粒子群算法

Adaptive particle swarm optimization algorithm based on cloud theory

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics