基于全局层次的自适应QPSO算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (26): 50-53.

基于全局层次的自适应QPSO算法

孔丽丹,孙俊,须文波

江南大学信息工程学院,江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-11 发布日期:2007-09-11
通讯作者: 孔丽丹

Adaptive Quantum-behaved Particle Swarm Optimization on global level

KONG Li-dan,SUN Jun,XU Wen-bo

Institute of Information Technology,Jiangnan University,Wuxi,Jiangsu 214122,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-11 Published:2007-09-11
Contact: KONG Li-dan

摘要/Abstract

摘要： 阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。

关键词: 粒子群优化, 量子行为, 多样性控制模型, 自适应

Abstract: Formulates the philosophy of Quantum-behaved Particle Swarm Optimization（QPSO） algorithm,and suggests a parameter control method based on the population level.After that,introduces a diversity-guided model into the QPSO to make the PSO system an open evolutionary particle swarm and therefore propose the Adaptive Quantum-behaved Particle Swarm Optimization Algorithm（AQPSO）.Finally,the performance of AQPSO algorithm is compared with those of Standard PSO（SPSO） and original QPSO by testing the algorithms on several benchmark functions.The experiments results show that AQPSO algorithm outperforms due to its strong global search ability,particularly in the optimization problems with high dimension.

Key words: particle swarm optimization, quantum-behaved, diversity-guided model, adaptive

孔丽丹,孙俊,须文波. 基于全局层次的自适应QPSO算法[J]. 计算机工程与应用, 2007, 43(26): 50-53.

KONG Li-dan,SUN Jun,XU Wen-bo. Adaptive Quantum-behaved Particle Swarm Optimization on global level[J]. Computer Engineering and Applications, 2007, 43(26): 50-53.

[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]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[3]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[4]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[5]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[6]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[7]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[8]	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.
[9]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[10]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[11]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[12]	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.
[13]	肖振久，孔祥旭，宗佳旭，杨玥莹. 自适应聚焦损失的图像目标检测算法[J]. 计算机工程与应用, 2021, 57(23): 185-192.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.