一种改进的微粒群优化算法

doi:10.3778/j.issn.1002-8331.2010.02.010

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (2): 31-33.DOI: 10.3778/j.issn.1002-8331.2010.02.010

一种改进的微粒群优化算法

赵亚敏，许家栋

西北工业大学电子信息学院，西安 710129

收稿日期:2009-01-17 修回日期:2009-02-27 出版日期:2010-01-11 发布日期:2010-01-11
通讯作者: 赵亚敏

Modified particle swarm optimization algorithm

ZHAO Ya-min，XU Jia-dong

School of Electronics and Information，Northwestern Polytechnical University，Xi’an 710129，China

Received:2009-01-17 Revised:2009-02-27 Online:2010-01-11 Published:2010-01-11
Contact: ZHAO Ya-min

摘要/Abstract

摘要： 基于惯性权重对微粒群优化算法（Particle Swarm Optimization，PSO）优化性能的显著影响，提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算，无论是二维还是多维的问题，这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高，收到了良好的效果，尤其在高维情况下，显示出算法性能得到了明显改善。

关键词: 微粒群优化, 惯性权重, 算法性能

Abstract: Based on the prominent effect of inertia weight to the performance of particle swarm optimization，a new PSO method with dynamically adjusted inertia weight is proposed. In this improved PSO method，the inertia weight is controlled by PSO optimization. Numerical results show the effectiveness of the proposed algorithm. Either to two dimension or to high dimension，both the accuracy and precision are improved. Especially for high dimension，performance of the algorithm is bettered distinctly.

Key words: Particle Swarm Optimization（PSO）, inertia weight, optimization performance

中图分类号:

TP18

赵亚敏，许家栋. 一种改进的微粒群优化算法[J]. 计算机工程与应用, 2010, 46(2): 31-33.

ZHAO Ya-min，XU Jia-dong. Modified particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2010, 46(2): 31-33.

[1]	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.
[2]	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.
[3]	陆文星，李楚. 改进PSO算法优化LSSVM模型的短期客流量预测[J]. 计算机工程与应用, 2019, 55(18): 247-255.
[4]	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.
[5]	李龙澍1，2，张效见2. 一种新的自适应惯性权重混沌PSO算法[J]. 计算机工程与应用, 2018, 54(9): 139-144.
[6]	黄霞1，2，叶春明1，郑军1. 混合改进搜索策略的鸡群优化算法[J]. 计算机工程与应用, 2018, 54(7): 176-181.
[7]	段艳明，肖辉辉，林芳. 新授粉方式的花授粉算法[J]. 计算机工程与应用, 2018, 54(23): 94-108.
[8]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[9]	郑庆新，顾晓辉，张洪铭. 基于SQP和自适应搜索的混沌粒子群算法[J]. 计算机工程与应用, 2018, 54(13): 131-136.
[10]	谌俊异，邓飞其. 基于混合二进制粒子群的Web系统优化算法[J]. 计算机工程与应用, 2017, 53(23): 224-229.
[11]	叶洪涛1，2，皮倩瑛1，2. 多策略融合粒子群算法及其收敛性分析[J]. 计算机工程与应用, 2016, 52(24): 171-177.
[12]	陈寿文. 基于质心和自适应指数惯性权重改进的粒子群算法[J]. 计算机工程与应用, 2015, 51(5): 58-64.
[13]	张敏，唐东成，张君跃，易志威，朱红萍，陈微. 基于微粒群算法的永磁同步发电机滑模控制[J]. 计算机工程与应用, 2015, 51(22): 266-270.
[14]	戴文智，杨新乐. 基于惯性权重对数递减的粒子群优化算法[J]. 计算机工程与应用, 2015, 51(17): 14-19.
[15]	李蓉，沈云波，刘坚. 改进的自适应粒子群优化算法[J]. 计算机工程与应用, 2015, 51(13): 31-36.

一种改进的微粒群优化算法

Modified particle swarm optimization 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