强社会认知能力的粒子群优化算法

doi:10.3778/j.issn.1002-8331.2009.28.020

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (28): 69-71.DOI: 10.3778/j.issn.1002-8331.2009.28.020

强社会认知能力的粒子群优化算法

曾传华^1，2，申元霞¹，李订芳²

1.重庆文理学院数学与统计学院，重庆 402160
2.武汉大学数学与统计学院，武汉 430072

收稿日期:2008-11-11 修回日期:2009-02-02 出版日期:2009-10-01 发布日期:2009-10-01
通讯作者: 曾传华

Particle Swarm Optimization algorithm with abundant social cognition

ZENG Chuan-hua^1，2，SHEN Yuan-xia¹，LI Ding-fang²

1.School of Mathematics and Statistics，Chongqing University of Arts and Science，Chongqing 402160，China
2.School of Mathematics and Statistics，Wuhan University，Wuhan 430072，China

Received:2008-11-11 Revised:2009-02-02 Online:2009-10-01 Published:2009-10-01
Contact: ZENG Chuan-hua

摘要/Abstract

摘要： 针对粒子群优化算法的“早熟”问题，提出了强社会认知能力粒子群优化算法，该算法通过学习概率和选择概率确定粒子跟踪的局部极值。算法中学习概率的自适应调整有效权衡了粒子的个体认知能力和社会认知能力。通过经典函数的测试结果表明，新算法的全局搜索能力有了显著提高，并且能够有效避免早熟问题。

关键词: 粒子群优化算法, 学习概率, 选择概率

Abstract: A particle swarm optimization with abundant social cognition is developed for solving premature convergence of particle swarm optimization.In this algorithm，the optimum from the particles experiments is determined by learning probability and selective probability.The learning probability is adjusted to balance between personal cognitive and social cognitive.Experimental results for complex function optimization show this algorithm improves the global convergence ability and efficiently prevents the algorithm from the local optimization and early maturation.

Key words: Particle Swarm Optimization（PSO）, learning probability, selective probability

中图分类号:

TP301.6

曾传华^1，2，申元霞¹，李订芳². 强社会认知能力的粒子群优化算法[J]. 计算机工程与应用, 2009, 45(28): 69-71.

ZENG Chuan-hua^1，2，SHEN Yuan-xia¹，LI Ding-fang². Particle Swarm Optimization algorithm with abundant social cognition[J]. Computer Engineering and Applications, 2009, 45(28): 69-71.

[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]	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.
[3]	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.
[4]	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.
[5]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[6]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[7]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[8]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[9]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[10]	付长松，陈淮莉. 最迟预定时刻差异化背景下的时隙定价策略[J]. 计算机工程与应用, 2018, 54(15): 214-220.
[11]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[12]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[13]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[14]	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.
[15]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.

强社会认知能力的粒子群优化算法

Particle Swarm Optimization algorithm with abundant social cognition

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