带有变异算子的自适应粒子群优化算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (25): 43-47.

带有变异算子的自适应粒子群优化算法

高岳林^1,2，任子晖³

1.西安交通大学经济金融学院，西安 710049
2.北方民族大学信息与系统科学研究所，银川 750021
3.宁夏大学数学与计算机学院，银川 750021

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-01 发布日期:2007-09-01
通讯作者: 高岳林

Adaptive Particle Swarm Optimization algorithm with mutation operator

GAO Yue-lin^1,2，REN Zi-hui³

1.School of Finance and Economics，Xi’an Jiaotong University，Xi’an 710049，China
2.Research Institute of Information and System Computation Science，North National University，Yinchuan 750021，China
3.School of Mathematics and Computer，Ningxia University，Yinchuan 750021，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-01 Published:2007-09-01
Contact: GAO Yue-lin

摘要/Abstract

摘要： 提出了一种新的带有变异算子的自适应粒子群优化算法，该算法使用了一种新的自适应惯性权重，使得算法在迭代的早期快速进人局部搜索，并且根据群体的适应度方差和平均聚集距离来判断算法在迭代的后期是否陷入局部最优点陷阱，对群体中的部分粒子采用新构造的变异运算作用，从而摆脱局部搜索的束缚，以实现全局搜索的性能。通过对六个例子的测试，表明这种改进的PSO算法的全局搜索能力和搜索成功率有较大提高。

关键词: 粒子群优化, 惯性权重, 整体适应度标准差, 变异算子

Abstract: This paper proposes a new adaptive particle swarm optimization algorithm with mutation operator.It contains a new adaptive inertia weight so as to access to local search quickly at the front of the iteration.Based on the adaptive variance and meandist of the swarm，we have judged whether the algorithm sinks into the local minimum or not，then we have used new mutation operator for some swarms so as to escape from the local minimum’s basin of attraction and realized global search.The experiments on six problems show that the modified algorithm can improve the global search ability and greatly enhance the successful rate of search.

Key words: Particle Swarm Optimization, inertia weight, global adaptive standard deviation, mutation operator

高岳林^1,2，任子晖³. 带有变异算子的自适应粒子群优化算法[J]. 计算机工程与应用, 2007, 43(25): 43-47.

GAO Yue-lin^1,2，REN Zi-hui³. Adaptive Particle Swarm Optimization algorithm with mutation operator[J]. Computer Engineering and Applications, 2007, 43(25): 43-47.

[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]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	周原令，胡晓兵，江代渝，李航. 基于改进NSGA-II的车间排产优化算法研究[J]. 计算机工程与应用, 2021, 57(19): 274-281.
[8]	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.
[9]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[10]	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.
[11]	吴聪聪，贺毅朝，赵建立. 求解折扣{0-1}背包问题的新遗传算法[J]. 计算机工程与应用, 2020, 56(7): 57-66.
[12]	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.
[13]	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.
[14]	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.
[15]	李二超，陈瑞婷. 基于变异算子和邻域值自适应的MOEA/D算法[J]. 计算机工程与应用, 2019, 55(9): 49-55.