自适应模糊的粒子群优化算法

doi:10.3778/j.issn.1002-8331.2010.33.013

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (33): 46-48.DOI: 10.3778/j.issn.1002-8331.2010.33.013

自适应模糊的粒子群优化算法

周松华¹，欧阳春娟^1，2，刘昌鑫¹，朱平¹

1.井冈山大学电子信息工程学院，江西吉安 343009
2.深圳大学信息工程学院，广东深圳 518060

收稿日期:2010-07-20 修回日期:2010-10-11 出版日期:2010-11-21 发布日期:2010-11-21
通讯作者: 周松华

Adaptive fuzzy particle swarm optimization algorithm

1.College of Electronics and Information Engineering，Jinggangshan University，Ji’an，Jiangxi 343009，China
2.College of Information Engineering，Shenzhen University，Shenzhen，Guangdong 518060，China

Received:2010-07-20 Revised:2010-10-11 Online:2010-11-21 Published:2010-11-21

摘要/Abstract

摘要： 标准粒子群算法易陷入局部最优值。根据粒子群算法中的不确定性因素，提出自适应模糊的粒子群优化算法（AFPSO）。在该算法中，对惯性权值和位置更新采用模糊控制，用所有粒子的个体最优的加权平均替代全局最优值，增强了粒子之间相互学习的能力。仿真实验表明，AFPSO算法简单，可灵活地调节全局搜索和局部搜索能力，与已有相关算法比较，较好地解决了粒子群早熟问题，并提高了搜索精度。

关键词: 粒子群, 模糊控制, 全局最优, 收敛

Abstract: Standard particle swarm algorithm is easy to fall into local optimum.An Adaptive Fuzzy Particle Swarm Optimization（AFPSO） based on the uncertainty of the PSO is proposed.In the improved algorithm，the inertia weight and the particle position update are controlled by fuzzy membership function，and the global optimal value is replaced by the weighted average of all particles optimal value to enhance the learning ability among particles.The experimental results show that，compared with the correlation algorithm，the proposed method is simple and more flexible to adjust global and local search，which also avoids the premature convergence problem，and improves the search accuracy.

Key words: particle swarm, fuzzy control, global optimal, convergence

中图分类号:

TN301.6

周松华¹，欧阳春娟^1，2，刘昌鑫¹，朱平¹. 自适应模糊的粒子群优化算法[J]. 计算机工程与应用, 2010, 46(33): 46-48.

[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]	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.
[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]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[5]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[6]	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.
[7]	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.
[8]	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.
[9]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[10]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[11]	苏斐，王红，祖林禄，王江，刘晨. 基于模糊控制的帕金森状态闭环调节[J]. 计算机工程与应用, 2021, 57(22): 273-280.
[12]	梁田，曹德欣. 基于莱维飞行的改进简化粒子群算法[J]. 计算机工程与应用, 2021, 57(20): 188-196.
[13]	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.
[14]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[15]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.

自适应模糊的粒子群优化算法

Adaptive fuzzy 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