带自适应变异的量子粒子群优化算法

doi:10.3778/j.issn.1002-8331.2011.03.012

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (3): 41-43.DOI: 10.3778/j.issn.1002-8331.2011.03.012

带自适应变异的量子粒子群优化算法

刘俊芳¹，高岳林²

1.宁夏大学数学计算机学院，银川 750021
2.北方民族大学信息与系统科学研究所，银川 750021

收稿日期:2009-05-13 修回日期:2009-07-15 出版日期:2011-01-21 发布日期:2011-01-21
通讯作者: 刘俊芳

Quantum particle swarm optimization algorithm with adaptive mutation

LIU Junfang¹，GAO Yuelin²

1.School of Mathematics and Computer，Ningxia University，Yinchuan 750021，China
2.Research Institute of Information and System Computation Science，North National University，Yinchuan 750021，China

Received:2009-05-13 Revised:2009-07-15 Online:2011-01-21 Published:2011-01-21
Contact: LIU Junfang

摘要/Abstract

摘要： 提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法，利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时，对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较，说明AMQPSO算法增强了全局搜索的性能，优于其他算法。

关键词: 全局最优化, 粒子群优化, 量子粒子群优化, 自适应变异

Abstract: A Quantum Particle Swarm Optimization Algorithm with Adaptive Mutation（AMQPSO） is given.When the proposed algorithm is found to sink into the local optimization by fitness variance and space position aggregation degree，a new adaptive mutation operator is implemented at the best position of each particle at first so as to realize global optimization.The experiments show that the AMQPSO is better than QPSO and the AMPSO in global optimization.

Key words: global optimization, Particle Swarm Optimization（PSO）, Quantum Particle Swarm Optimization（QPSO）, adaptive mutation

中图分类号:

TP18

刘俊芳¹，高岳林². 带自适应变异的量子粒子群优化算法[J]. 计算机工程与应用, 2011, 47(3): 41-43.

LIU Junfang¹，GAO Yuelin². Quantum particle swarm optimization algorithm with adaptive mutation[J]. Computer Engineering and Applications, 2011, 47(3): 41-43.

[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]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.
[14]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.
[15]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.

带自适应变异的量子粒子群优化算法

Quantum particle swarm optimization algorithm with adaptive mutation

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