多阶段多模型的改进微粒群优化算法

doi:10.3778/j.issn.1002-8331.2010.33.009

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (33): 32-35.DOI: 10.3778/j.issn.1002-8331.2010.33.009

多阶段多模型的改进微粒群优化算法

赵嘉，孙辉

南昌工程学院信息工程学院，南昌 330099

收稿日期:2010-03-10 修回日期:2010-06-29 出版日期:2010-11-21 发布日期:2010-11-21
通讯作者: 赵嘉

Modified particle swarm optimization based on multi-stages & multi-models

ZHAO Jia，SUN Hui

School of Information Engineering，Nanchang Institute of Technology，Nanchang 330099，China

Received:2010-03-10 Revised:2010-06-29 Online:2010-11-21 Published:2010-11-21
Contact: ZHAO Jia

摘要/Abstract

摘要： 针对微粒群优化算法在解决复杂优化问题时易于出现早熟收敛现象，提出了一种多阶段多模型的改进微粒群优化算法。考虑寻优不同阶段的开发与探测能力需求的差异，算法将寻优过程分成3个阶段，各阶段采用不同的模型进行进化。第一阶段利用标准微粒群优化算法发现局部极值的邻域；第二阶段利用Cognition Only模型快速找到局部极值点，提高寻优效率；第三阶段，提出了一种改进的进化模型，利于粒子快速跳出局部极值点，寻找到全局最优点。4种复杂测试函数的实验结果表明：该算法比标准微粒群优化算法（PSO）和基于不同进化模型的两群优化算法（TSE-PSO）更容易找到全局最优解，相比两群微粒群优化算法，还能在一定程度上提高优化效率。

关键词: 微粒群优化算法, 多模型, 多阶段, 优化

Abstract: Modified particle swarm optimization based on multi-stages & multi-models is advanced to solve complex problems since premature convergence phenomena are common in current particle swarm optimization.This algorithm process includes three stages and various models considering development and exploration diversity in different steps.Firstly，the local extremum neighborhood is obtained through PSO.Secondly，local extremum is quickly searched out with Cognition Only to improve evolution efficiency.Lastly，the most optimal solution is sought through the improved evolution model to avoid local extremum.Results of four complex function tests show that the proposed algorithm is easier to get the optimal solution than PSO and TSE-PSO in efficiency and performance.

Key words: particle swarm optimization, multi-models, multi-stages, optimization

中图分类号:

TP301

赵嘉，孙辉. 多阶段多模型的改进微粒群优化算法[J]. 计算机工程与应用, 2010, 46(33): 32-35.

ZHAO Jia，SUN Hui. Modified particle swarm optimization based on multi-stages & multi-models[J]. Computer Engineering and Applications, 2010, 46(33): 32-35.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	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.
[3]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[4]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[5]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[6]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[7]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[8]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[9]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[10]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[11]	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.
[12]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[13]	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.
[14]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[15]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.

多阶段多模型的改进微粒群优化算法

Modified particle swarm optimization based on multi-stages & multi-models

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