适应度排序改进惯性权重的粒子群算法

doi:10.3778/j.issn.1002-8331.2009.14.014

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (14): 53-55.DOI: 10.3778/j.issn.1002-8331.2009.14.014

适应度排序改进惯性权重的粒子群算法

陶俊波^1,2,吴彰敦¹,蔡德所^1,3

1.广西大学土木建筑工程学院，南宁 530004
2.福建水利电力职业技术学院，福建永安 366000
3.三峡大学土木水电学院，湖北宜昌 443002

收稿日期:2008-08-19 修回日期:2008-09-20 出版日期:2009-05-11 发布日期:2009-05-11
通讯作者: 陶俊波

Use adaptation sequence modified inertia weight particle swarm optimization

TAO Jun-bo^1,2,WU Zhang-dun¹,CAI De-suo^1,3

1.Department of Civil and Architecture Engineering，Guangxi University，Nanning 530004，China
2.Fujian College of Water Conservancy and Electricity Power，Yong’an，Fujian 366000，China
3.College of Civil and Hydropower Engineering，Three Gorges University，Yichang，Hubei 443002，China

Received:2008-08-19 Revised:2008-09-20 Online:2009-05-11 Published:2009-05-11
Contact: TAO Jun-bo

摘要/Abstract

摘要： 改进PSO算法的惯性权重。惯性权重不仅随代数纵向线性变化，也根据当前和迄今粒子的适应度重排序横向线性变化。横向线性变化上限不变，下限逐渐减小，使得横向线性变化数值范围随代数逐渐增大。惯性权重数值随着代数逐渐取负，并且适应度差的粒子取负的几率更大。得到基于粒子适应度排序改进惯性权重的粒子群算法（ASMIWPSO算法）。通过仿真学解释ASMIWPSO算法。Rastrigrin函数测试对比ASMIWPSO算法、PSO算法，说明ASMIWPSO算法具有更好的优化结果。

关键词: 粒子群算法, 惯性权重, 适应度排序

Abstract: It has modified PSO inertia weight.The inertia weight not only through its longitudinal linear change by generation；but also think about current and up to now best results of particles adaptation sequence’s lateral linear change which rearrange by adaptation good or bad.The lateral linear upper bound un-change and lower bound become small，so the lateral linear range expend gradually.The inertia weight will generate more negative value by generation increasing.That obtain use adaptation sequence modified inertia weight particle swarm optimization（ASMIWPSO）.It has been through simulation to explain ASMIWPSO.And make contrastive analysis on the results of PSO and ASMIWPSO by Rastrigrin function.It shows that the ASMIWPSO has better optimization results.

Key words: particle swarm optimization, inertia weight, adaptation sequence

陶俊波^1,2,吴彰敦¹,蔡德所^1,3. 适应度排序改进惯性权重的粒子群算法[J]. 计算机工程与应用, 2009, 45(14): 53-55.

TAO Jun-bo^1,2,WU Zhang-dun¹,CAI De-suo^1,3. Use adaptation sequence modified inertia weight particle swarm optimization[J]. Computer Engineering and Applications, 2009, 45(14): 53-55.

[1]	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.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	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.
[5]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[6]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[7]	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.
[8]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[9]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[10]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[11]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[12]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[13]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[14]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[15]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.

适应度排序改进惯性权重的粒子群算法

Use adaptation sequence modified inertia weight particle swarm optimization

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