有限作用域的混沌粒子群优化算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (12): 39-42.

有限作用域的混沌粒子群优化算法

庞淑萍

哈尔滨金融学院基础部，哈尔滨 150030

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-04-21 发布日期:2011-04-21

Limited effective region chaotic particle swarm optimization

PANG Shuping

Department of Foundation，Harbin Financial College，Harbin 150030，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-04-21 Published:2011-04-21

摘要/Abstract

摘要： 针对粒子群可能会陷入局部极优值所导致的早熟问题，提出一种有限作用域的混沌粒子群优化方法。利用特定的初始分布涵盖全局最优值，利用混沌序列良好的非线性性质，影响粒子速度更新过程，增加粒子种群的多样性。以有限作用域外的粒子遍历优化问题的可行域，增加粒子对可行域的广度搜索，以作用域内的粒子搜索最优值，提高全局最优值的精度搜索效率。数值实验表明提出的算法优于标准粒子群和传统的混沌粒子群，并能解决粒子群的早熟问题。

关键词: Logistic序列, 混沌粒子群优化, 有限作用域, 群智能

Abstract: To solve the premature problem that the swarm is trapped by local optimization in searching process，the Limited Effective Region Chaotic Particle Swarm Optimization（LER-CPSO） is proposed.It applies the special initialization to cover the global optimization.It increases the swarm diversities by introducing the chaotic series nonlinear property in the velocity update process.The particles outside the limited effective region explore the feasible region to improve the exploration.The particles in the limited effective region search the optimization to improve the precision.The numerical experiment shows that the proposed algorithm has better searching results than the standard PSO and the typical CPSO.It solves the premature problem.

Key words: Logistic series, Chaotic Particle Swarm Optimization（CPSO）, limited effective region, swarm intelligence

庞淑萍. 有限作用域的混沌粒子群优化算法[J]. 计算机工程与应用, 2011, 47(12): 39-42.

PANG Shuping. Limited effective region chaotic particle swarm optimization[J]. Computer Engineering and Applications, 2011, 47(12): 39-42.

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	27

	来源	本网站

	次数	27
	比例	100%

摘要

最新录用	在线预览	正式出版

0	0	37

	来源	本网站

	次数	37
	比例	100%

[1]	陈瑶，陈思. 基于自适应多普勒及动态邻域的改进BA算法[J]. 计算机工程与应用, 2021, 57(22): 166-176.
[2]	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.
[3]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[4]	黎素涵，叶春明. 重选精英个体的非线性收敛灰狼优化算法[J]. 计算机工程与应用, 2021, 57(1): 62-68.
[5]	李雅丽，王淑琴，陈倩茹，王小钢. 若干新型群智能优化算法的对比研究[J]. 计算机工程与应用, 2020, 56(22): 1-12.
[6]	陈瑶，陈思. 动态权重的蝙蝠算法在图像分割中的应用研究[J]. 计算机工程与应用, 2020, 56(14): 207-215.
[7]	张水平，高栋. 动态调整搜索策略的果蝇优化算法[J]. 计算机工程与应用, 2020, 56(10): 56-62.
[8]	张水平，高栋. 基于动态调整和协同搜索的花授粉算法[J]. 计算机工程与应用, 2019, 55(24): 46-53.
[9]	王巍，崔益豪，王彤，朱天宇，田立勤. 群智能算法在气体源定位中的应用综述[J]. 计算机工程与应用, 2019, 55(18): 21-33.
[10]	李松钊，李文敬，陆建波. 物流服务交易区块链与蚁群智能合约算法研究[J]. 计算机工程与应用, 2019, 55(17): 28-34.
[11]	田鸿，陈国彬，刘超. 新型飞蛾火焰优化算法的研究[J]. 计算机工程与应用, 2019, 55(16): 138-143.
[12]	王光，金嘉毅. 融合折射原理反向学习的飞蛾扑火算法[J]. 计算机工程与应用, 2019, 55(11): 46-51.
[13]	朱利民1，赵丽2. 基于改进ACO与分布式社区检测的WSN路由协议[J]. 计算机工程与应用, 2018, 54(22): 119-126.
[14]	林敏，钟一文，刘必雄，林晓宇. 基因-表现型的布谷鸟算法求解旅行商问题[J]. 计算机工程与应用, 2017, 53(24): 172-181.
[15]	高晓梅1，丁彦蕊2，3. 基于群智能的蛋白质耐热温度预测研究[J]. 计算机工程与应用, 2017, 53(13): 141-145.