基于粒子群位移转移的混合遗传算法及其应用

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (15): 37-40.

基于粒子群位移转移的混合遗传算法及其应用

苗荣，闫伟，李树荣

中国石油大学信息与控制工程学院，山东东营 257061

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-05-21 发布日期:2007-05-21
通讯作者: 苗荣

Novel hybrid GA based on position displacement idea of PSO and its application

MIAO Rong，YAN Wei，LI Shu-rong

College of Information and Control Engineering，China University of Petroleum，Dongying，Shandong 257061，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-05-21 Published:2007-05-21
Contact: MIAO Rong

摘要/Abstract

摘要： 基于粒子群位移转移的思想，改变遗传算法的变异规则，提出了一种新的混合遗传算法。利用3个benchmark函数测试了新的混合算法的性能，并将测试结果与标准遗传算法进行了比较。提出了一种多阶段半方差投资选择模型，并将混合算法应用在多阶段半方差投资选择问题的求解上。

关键词: 混合遗传算法, 粒子群算法, 投资选择问题, 多阶段半方差

Abstract: A novel genetic algorithm is proposed，in which the position displacement idea of the PSO（Particle Swarm Optimization） is applied to change the mutation operation rule.The validity of the algorithm is tested by using three benchmark functions.From the comparison of the results obtained by using HGA and standard GA respectively，the accuracy of HGA is much better than that of SGA.In the end，a multi-period semi-variance portfolio selection problem is presented and the HGA is applied to solve a multi-period semi-variance portfolio selection problem.

Key words: hybrid GA, PSO algorithm, portfolio selection problem, multi-period semi-variance

苗荣，闫伟，李树荣. 基于粒子群位移转移的混合遗传算法及其应用[J]. 计算机工程与应用, 2007, 43(15): 37-40.

MIAO Rong，YAN Wei，LI Shu-rong. Novel hybrid GA based on position displacement idea of PSO and its application[J]. Computer Engineering and Applications, 2007, 43(15): 37-40.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.