基于距离的k最优粒子群优化算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (15): 43-45.

基于距离的k最优粒子群优化算法

周敏

中国民用航空飞行学院计算机学院，四川广汉 618307

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-21 发布日期:2011-05-21

Distance-based adaptive k particle swarm optimization

ZHOU Min

School of Computer，Civil Aviation Flight University of China，Guanghan，Sichuan 618307，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-21 Published:2011-05-21

摘要/Abstract

摘要： 传统的粒子群优化算法（Particle Swarm Optimization，PSO）只考虑了最优粒子对整个进化过程的引导作用且在一次迭代中所有粒子采用相同的惯性权值。为了体现各粒子相对于已知最优解的差异，提出了一种基于距离度量的自适应（k，l）PSO算法。（k，l）PSO算法采用轮盘赌策略在k个最优的粒子中选择一个粒子作为全局最优粒子参与粒子的速度更新，同时，根据粒子间的平均距离l确定粒子与选中的最优粒子的距离，自适应调整粒子的惯性权值。通过基准测试函数对算法进行了实验，实验验证了（k，l）PSO算法的有效性。

关键词: 粒子群, 优化算法, 惯性权值, 距离度量

Abstract: The classical Particle Swarm Optimization（PSO） neglects the difference among particles and uses a fixed inertia weight in one generation.To cope with this issue，a novel method called（k，l） PSO is proposed in this paper.The（k，l） PSO chooses one of the top k particles as the global best particle according to the roulette strategy and tunes the inertia weight value according to the distance between the current particle and the global best particle.Several classical benchmark functions are used to evaluate the（k，l） PSO.The experiments demonstrate the efficiency and effectiveness of the proposed（k，l） PSO.

Key words: Particle Swarm Optimization（PSO）, optimization algorithm, inertia weight, distance measurement

周敏. 基于距离的k最优粒子群优化算法[J]. 计算机工程与应用, 2011, 47(15): 43-45.

ZHOU Min. Distance-based adaptive k particle swarm optimization[J]. Computer Engineering and Applications, 2011, 47(15): 43-45.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[13]	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.
[14]	易灵芝，王仕通，易芳，邓栋，易志敏，姜鹏. 基于EEMDSE-ILSTM的风电场超短期风速预测[J]. 计算机工程与应用, 2021, 57(22): 288-294.
[15]	李守玉，何庆，杜逆索. 分段权重和变异反向学习的蝴蝶优化算法[J]. 计算机工程与应用, 2021, 57(22): 92-101.