一种新形式的微粒群算法

doi:10.3778/j.issn.1002-8331.2008.33.018

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (33): 57-59.DOI: 10.3778/j.issn.1002-8331.2008.33.018

一种新形式的微粒群算法

袁代林^1,2,程世娟^1,2,陈虬¹

1.西南交通大学应用力学与工程系，成都 610031
2.西南交通大学数学系，成都 610031

收稿日期:2007-12-17 修回日期:2008-03-17 出版日期:2008-11-21 发布日期:2008-11-21
通讯作者: 袁代林

New formal Particle Swarm Optimization algorithm

YUAN Dai-lin^1,2,CHENG Shi-juan^1,2,CHEN Qiu¹

1.Dept. of Appl. Mechanics and Engineering，Southwest Jiaotong University，Chengdu 610031，China
2.Dept. of Mathematics，Southwest Jiaotong University，Chengdu 610031，China

Received:2007-12-17 Revised:2008-03-17 Online:2008-11-21 Published:2008-11-21
Contact: YUAN Dai-lin

摘要/Abstract

摘要： 标准微粒群算法在优化多峰、多维的复杂函数时，其效果并不理想，容易早熟收敛。为了改进微粒群算法处理此类问题的性能，提出了一种新的微粒群算法。该算法将标准微粒群算法迭代公式中的群体最优位置用个体最优位置的中心代替，有利于增强群体的多样性，避免早熟收敛，同时保持了迭代公式的简洁形式。3个常用测试函数的数值模拟表明，新的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。

关键词: 微粒群算法, 早熟收敛, 函数优化

Abstract: The standard particle swarm optimization algorithm（PSO） shows a bad performance when optimizing the multimodal and higher dimensional functions.A new formal particle swarm optimization（MPSO） is advanced，which replaces the global best place （p_g） by the center of all individual best places（p_mean）.So，the colonial diversity is increased，and the pre-mature convergence is avoided to some degree.At the same time，the concise iterative formulation is kept.The simulations of 3 testing functions show that the MPSO has better ability to find the global optimum solution than the standard particle swarm optimization algorithm.

Key words: particle swarm optimization, pre-mature convergence, function optimization

袁代林^1,2,程世娟^1,2,陈虬¹. 一种新形式的微粒群算法[J]. 计算机工程与应用, 2008, 44(33): 57-59.

YUAN Dai-lin^1,2,CHENG Shi-juan^1,2,CHEN Qiu¹. New formal Particle Swarm Optimization algorithm[J]. Computer Engineering and Applications, 2008, 44(33): 57-59.

[1]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[2]	魏锋涛，史云鹏，石坤. 具有组合变异策略的回溯搜索优化算法[J]. 计算机工程与应用, 2020, 56(9): 41-47.
[3]	陈忠云，张达敏，辛梓芸，张绘娟，闫威. 混沌精英质心拉伸机制的樽海鞘群算法[J]. 计算机工程与应用, 2020, 56(10): 44-50.
[4]	谈庆，黄樟灿. 基于近邻套索算子的磷虾群算法[J]. 计算机工程与应用, 2019, 55(9): 124-129.
[5]	白创，陈翔. 新型LeNet-FC卷积神经网络模型算法的研究[J]. 计算机工程与应用, 2019, 55(5): 105-111.
[6]	刘茜1，毛力1，杨弘2. 差分进化引导趋化算子的烟花优化算法[J]. 计算机工程与应用, 2019, 55(3): 140-146.
[7]	顾清华，孟倩倩. 优化复杂函数的粒子群-鸽群混合优化算法[J]. 计算机工程与应用, 2019, 55(22): 46-52.
[8]	邹德龙，王宝华. 一种混合优化算法面向高维函数优化的研究[J]. 计算机工程与应用, 2019, 55(20): 122-127.
[9]	党婷婷，林丹. 含有动态自适应惯性权重的蜘蛛猴优化算法[J]. 计算机工程与应用, 2019, 55(14): 40-47.
[10]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[11]	徐辰华1，李成县1，喻昕2，黄清宝1. 基于Cat混沌与高斯变异的改进灰狼优化算法[J]. 计算机工程与应用, 2017, 53(4): 1-9.
[12]	吴伟民，吴汪洋，林志毅，李泽熊，方典禹. 基于增强个体信息交流的蜻蜓算法[J]. 计算机工程与应用, 2017, 53(4): 10-14.
[13]	张锦华1，宋来锁2，张元华3，李富昌4. 加权变异策略动态差分进化算法[J]. 计算机工程与应用, 2017, 53(4): 156-162.
[14]	王丽1，王晓凯2. 多峰函数优化的改进群居蜘蛛优化算法[J]. 计算机工程与应用, 2017, 53(3): 1-6.
[15]	钱武文1，柴军瑞1，2. 基于复合形法的聚类遗传算法[J]. 计算机工程与应用, 2017, 53(3): 87-94.

一种新形式的微粒群算法

New formal Particle Swarm Optimization algorithm

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