改进的粒子群算法及收敛性分析

doi:10.3778/j.issn.1002-8331.2011.01.013

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (1): 46-49.DOI: 10.3778/j.issn.1002-8331.2011.01.013

改进的粒子群算法及收敛性分析

谢铮桂^1，2，钟少丹^1，2，韦玉科²

1.韩山师范学院数学与信息技术系，广东潮州 521041
2.广东工业大学计算机学院，广州 510090

收稿日期:2010-08-17 修回日期:2010-10-18 出版日期:2011-01-01 发布日期:2011-01-01
通讯作者: 谢铮桂

Modified particle swarm optimization algorithm and its convergence analysis

XIE Zhenggui^1，2，ZHONG Shaodan^1，2，WEI Yuke²

1.Mathematics and Information Technology Department，Hanshan Normal University，Chaozhou，Guangdong 521041，China
2.Faculty of Computer，Guangdong University of Technology，Guangzhou 510090，China

Received:2010-08-17 Revised:2010-10-18 Online:2011-01-01 Published:2011-01-01
Contact: XIE Zhenggui

摘要/Abstract

摘要： 针对PSO算法对多峰值函数搜索易陷入局部极值点的缺点，提出一种改进的粒子群（MPSO）算法。MPSO算法采用逃逸策略和免疫学习策略来保证种群多样性，使算法能有效进行全局搜索。并讨论MPSO算法的收敛性，证明其能以概率1全局收敛。最后用3个常用的测试函数进行仿真，实验结果表明MPSO算法比PSO算法有更好的收敛性和更快的收敛速度。

关键词: 粒子群算法, 逃逸, 免疫学习, 全局优化, 收敛性

Abstract: This paper proposes a modified particle swarm algorithm in allusion to the defect that the PSO algorithm easily plunges into the local optimization for multi-peak function optimization problem.MPSO adopts escape strategy and immune learning strategy to guarantee the particles diversity and to make particles explore the global optimization more efficiently.The convergence of MPSO algorithm is discussed and is proved to converge to the global optimization with probability one.Finally，three familiar test functions are simulated to show that MPSO achieves better and faster convergence.

Key words: particle swarm algorithm, escape, immune learning, global optimization, convergence

中图分类号:

TP183

谢铮桂^1，2，钟少丹^1，2，韦玉科². 改进的粒子群算法及收敛性分析[J]. 计算机工程与应用, 2011, 47(1): 46-49.

XIE Zhenggui^1，2，ZHONG Shaodan^1，2，WEI Yuke². Modified particle swarm optimization algorithm and its convergence analysis[J]. Computer Engineering and Applications, 2011, 47(1): 46-49.

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[9]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[10]	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.
[11]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[12]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[13]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[14]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[15]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.

改进的粒子群算法及收敛性分析

Modified particle swarm optimization algorithm and its convergence analysis

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