带有扰动项的改进粒子群算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (7): 84-86.

带有扰动项的改进粒子群算法

何庆元韩传久

桂林电子工业学院图像信号研究所桂林电子工业学院计算机系

收稿日期:2006-04-04 修回日期:1900-01-01 出版日期:2007-03-01 发布日期:2007-03-01
通讯作者: 何庆元

An Improved Particle Swarm Optimization Algorithm with disturbance term

QingYuan He

Received:2006-04-04 Revised:1900-01-01 Online:2007-03-01 Published:2007-03-01
Contact: QingYuan He

摘要/Abstract

摘要： 在介绍基本粒子群优化（PSO）算法及其现有一些改进的基础上，分析了PSO算法更新公式的固有缺陷。指出其三段式结构所隐含的易陷入局部最优问题，进而提出了一种带有扰动项的改进粒子群算法（PSO-DT）。它改变了现有算法的速度更新公式，加入了用于避免陷入局部最优的扰动项。分析了该改进算法的收敛性。测试表明，改进算法在优化性能上有较大提高

关键词: 粒子群优化算?, 收敛性, 局部最优, 扰动项

Abstract: The particle swarm optimization （PSO） algorithm, existing improvements about it and their influence on PSO performance are introduced. The framework of PSO basic formula is analyzed. Implied by its three-term structure, the inherent shortcoming that trends to local optima is indicated. Then a modified velocity updating formula of particle swarm optimization algorithm is declared. The addition of the disturbance term based on existing structure effectively mends the defects. The convergence of the improved algorithm is analyzed. Simulation results demonstrated that the improved algorithm have more remarkable performance than the former one.

Key words: Particle Swarm Optimization, convergence, local optima, disturbance term

何庆元韩传久. 带有扰动项的改进粒子群算法[J]. 计算机工程与应用, 2007, 43(7): 84-86.

QingYuan He. An Improved Particle Swarm Optimization Algorithm with disturbance term[J]. Computer Engineering and Applications, 2007, 43(7): 84-86.

[1]	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.
[2]	马倩茹，冶继民. FastICA算法的收敛性与一致性分析[J]. 计算机工程与应用, 2020, 56(2): 35-41.
[3]	信成涛，邹海. 修正浓度与适应步长的果蝇优化算法[J]. 计算机工程与应用, 2019, 55(7): 48-52.
[4]	闫旭，叶春明. 混合蝗虫优化算法求解作业车间调度问题[J]. 计算机工程与应用, 2019, 55(6): 257-264.
[5]	刘今越，李洋，郭志红，任志斌，刘佳斌. 面向光学检测中轨迹优化问题的遗传算法研究[J]. 计算机工程与应用, 2018, 54(4): 205-210.
[6]	贾涵，连晓峰. 发现概率参数自适应调节的布谷鸟改进算法[J]. 计算机工程与应用, 2018, 54(22): 16-22.
[7]	翟军昌1，秦玉平2. 随机交叉全局和声搜索算法[J]. 计算机工程与应用, 2018, 54(12): 21-26.
[8]	陈禹1，冯翔1，2，虞慧群1. 改进型帝国竞争模型算法的研究[J]. 计算机工程与应用, 2018, 54(12): 206-213.
[9]	周袅1，2，葛洪伟1，2，苏树智1. 基于信息素的自适应连续域混合蚁群算法[J]. 计算机工程与应用, 2017, 53(6): 156-161.
[10]	罗卫华，吴国成. 变系数时间分数阶子扩散方程的数值解[J]. 计算机工程与应用, 2017, 53(4): 75-78.
[11]	李艳娟，陈阿慧. 基于禁忌搜索的人工蜂群算法[J]. 计算机工程与应用, 2017, 53(4): 145-151.
[12]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.
[13]	程勇1，2，同向前1. 病毒进化理论人工蜂群算法研究[J]. 计算机工程与应用, 2016, 52(9): 126-129.
[14]	许峰，吴福芳. 自适应协同进化多目标进化算法[J]. 计算机工程与应用, 2016, 52(6): 26-30.
[15]	周丹1，2，葛洪伟1，2，张欢庆1，杨金龙1. 基于健康度的人工蜂群粒子群算法[J]. 计算机工程与应用, 2016, 52(18): 62-67.