改进的群搜索优化算法

doi:10.3778/j.issn.1002-8331.2009.04.014

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (4): 48-51.DOI: 10.3778/j.issn.1002-8331.2009.04.014

改进的群搜索优化算法

张雯雰¹,滕少华¹,李丽娟²

1.广东工业大学计算机学院，广州 510006
2.广东工业大学建设学院，广州 510006

收稿日期:2008-01-10 修回日期:2008-03-31 出版日期:2009-02-01 发布日期:2009-02-01
通讯作者: 张雯雰

Improved Group Search Optimizer algorithm

ZHANG Wen-fen¹,TENG Shao-hua¹,LI Li-juan²

1.Faculty of Computer，Guangdong University of Technology，Guangzhou 510006，China
2.Faculty of Construction，Guangdong University of Technology，Guangzhou 510006，China

Received:2008-01-10 Revised:2008-03-31 Online:2009-02-01 Published:2009-02-01
Contact: ZHANG Wen-fen

摘要/Abstract

摘要： 群搜索优化（Group Search Optimizer，GSO）算法是一种新的群集智能优化算法，适宜于解决多模态高维问题。对GSO算法进行了一些改进，简化了计算过程，提高了优化性能。主要在两个方面进行改进，一是在迭代过程中，控制允许变异的维的数量，使之从多到少变化，以提高收敛速度。二是用随机数来确定生成个体新位置所用的一组随机值的正负数比例，避免正负数比例趋于固定，增加随机性。经过6个常用测试函数测试及与其他文献结果对比后可知，在低维情况下，此算法与GA、EP、ES、PSO、GSO算法相比有较好的整体收敛性能，高维时，此算法与GA、PSO、GSO比较，收敛性能有明显优势。

关键词: 搜索, 优化, 群集智能, 进化算法, 高维, 函数优化

Abstract: GSO（Group Search Optimizer） is a new swarm intelligence algorithm，which has a superior performance on high-dimensional multi-modal problems.An improved GSO is presented in this paper to simplify the calculation process and improve the optimal performance.The modification has two main aspects：Firstly，during the iterative process，the number of dimensions of allowed variations may change from more to less to improve the convergence speed.Secondly，random is used to determine the coefficients of individual in next gap，to avoid the ratio inclining to be static，and to increase the randomness.From the testing of benchmark functions and the comparison with other papers，it can be concluded that the algorithm has a similar search performance in comparison with GA，EP，ES，PSO，GSO for low-dimensional functions，however，it has a markedly superior performance to other EAs for high-dimensional functions.

Key words: search, optimizer, swarm intelligence, evolutionary algorithm, high-dimensional, function optimization

张雯雰¹,滕少华¹,李丽娟². 改进的群搜索优化算法[J]. 计算机工程与应用, 2009, 45(4): 48-51.

ZHANG Wen-fen¹,TENG Shao-hua¹,LI Li-juan². Improved Group Search Optimizer algorithm[J]. Computer Engineering and Applications, 2009, 45(4): 48-51.

[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]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[3]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[4]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[5]	孔继利，张鹏坤，刘晓平. 双向搜索机制的改进A*算法研究[J]. 计算机工程与应用, 2021, 57(8): 231-237.
[6]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[7]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[8]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[9]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[10]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[11]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[12]	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.
[13]	张俊杰，张聪，赵涵捷. 重复利用状态值的竞争深度Q网络算法[J]. 计算机工程与应用, 2021, 57(4): 134-140.
[14]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[15]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.

改进的群搜索优化算法

Improved Group Search Optimizer algorithm

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