马氏模型PSO及其随机过程分析

doi:10.3778/j.issn.1002-8331.2009.31.016

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (31): 49-52.DOI: 10.3778/j.issn.1002-8331.2009.31.016

马氏模型PSO及其随机过程分析

袁代林^1，2，陈虬¹

1.西南交通大学力学与工程学院，成都 610031
2.西南交通大学数学学院，成都 610031

收稿日期:2009-05-07 修回日期:2009-06-23 出版日期:2009-11-01 发布日期:2009-11-01
通讯作者: 袁代林

Particle swarm optimization algorithm based on markov model and its stochastic process analysis

YUAN Dai-lin^1，2，CHEN Qiu¹

1.School of Mechanics and Engineering，Southwest Jiaotong University，Chengdu 610031，China
2.School of Mathematics，Southwest Jiaotong University，Chengdu 610031，China

Received:2009-05-07 Revised:2009-06-23 Online:2009-11-01 Published:2009-11-01
Contact: YUAN Dai-lin

摘要/Abstract

摘要： 受遗传算法马氏模型理论分析的启发，提出了一种便于用马氏过程理论分析的微粒群算法。该算法中的个体仅记忆群体在进化过程中有限步内的信息，忘掉以前的信息，以建立算法的马氏过程数学模型。通过函数优化的数值模拟验证了新算法具备优良的寻优能力，同时论证了新算法是齐次马氏过程。

关键词: 微粒群算法, 马氏过程, 函数优化

Abstract: Inspired by the theoretic analysis of genetic algorithm based on markov process，a new form of particle swarm optimization algorithm is advanced，which is convenient for analysis by the theory of markov process.The particle of new algorithm only memorizes the information of swarm in finite steps，and forgets the old information.Then the markov process model is established.The simulations of functions optimization show that the new algorithm has good ability to find the global solution，and the homogeneous markov process is got from the new algorithm.

Key words: particle swarm optimization, markov process, function optimization

中图分类号:

TP301

袁代林^1，2，陈虬¹. 马氏模型PSO及其随机过程分析[J]. 计算机工程与应用, 2009, 45(31): 49-52.

YUAN Dai-lin^1，2，CHEN Qiu¹. Particle swarm optimization algorithm based on markov model and its stochastic process analysis[J]. Computer Engineering and Applications, 2009, 45(31): 49-52.

[1]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[2]	魏锋涛，史云鹏，石坤. 具有组合变异策略的回溯搜索优化算法[J]. 计算机工程与应用, 2020, 56(9): 41-47.
[3]	陈忠云，张达敏，辛梓芸，张绘娟，闫威. 混沌精英质心拉伸机制的樽海鞘群算法[J]. 计算机工程与应用, 2020, 56(10): 44-50.
[4]	谈庆，黄樟灿. 基于近邻套索算子的磷虾群算法[J]. 计算机工程与应用, 2019, 55(9): 124-129.
[5]	白创，陈翔. 新型LeNet-FC卷积神经网络模型算法的研究[J]. 计算机工程与应用, 2019, 55(5): 105-111.
[6]	刘茜1，毛力1，杨弘2. 差分进化引导趋化算子的烟花优化算法[J]. 计算机工程与应用, 2019, 55(3): 140-146.
[7]	顾清华，孟倩倩. 优化复杂函数的粒子群-鸽群混合优化算法[J]. 计算机工程与应用, 2019, 55(22): 46-52.
[8]	邹德龙，王宝华. 一种混合优化算法面向高维函数优化的研究[J]. 计算机工程与应用, 2019, 55(20): 122-127.
[9]	党婷婷，林丹. 含有动态自适应惯性权重的蜘蛛猴优化算法[J]. 计算机工程与应用, 2019, 55(14): 40-47.
[10]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[11]	徐辰华1，李成县1，喻昕2，黄清宝1. 基于Cat混沌与高斯变异的改进灰狼优化算法[J]. 计算机工程与应用, 2017, 53(4): 1-9.
[12]	吴伟民，吴汪洋，林志毅，李泽熊，方典禹. 基于增强个体信息交流的蜻蜓算法[J]. 计算机工程与应用, 2017, 53(4): 10-14.
[13]	王丽1，王晓凯2. 多峰函数优化的改进群居蜘蛛优化算法[J]. 计算机工程与应用, 2017, 53(3): 1-6.
[14]	张维存1，赵晓巧1，于万霞2. 具有角色转换的自适应人工蜂群算法[J]. 计算机工程与应用, 2017, 53(14): 117-122.
[15]	王金叶，马良，刘勇. 改进光学优化算法及其在函数优化中的应用[J]. 计算机工程与应用, 2017, 53(12): 58-62.

马氏模型PSO及其随机过程分析

Particle swarm optimization algorithm based on markov model and its stochastic process analysis

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