一种自适应分群的粒子群算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (15): 46-48.

一种自适应分群的粒子群算法

符强

宁波大学科学技术学院，浙江宁波 315212

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

Adaptive-grouping particle swarm algorithm

FU Qiang

College of Science and Technology，Ningbo University，Ningbo，Zhejiang 315212，China

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

摘要/Abstract

摘要： 结合小生境思想及灾变原理，提出了一种动态调整种群结构的粒子群算法（AGPSO）。该算法在获取局部最优区域后只留下部分粒子寻找局部最优点，同时将其他粒子进行灾变处理，然后约束在剩余区域进行新最优区域搜索，这样既达到了快速局部收敛的目的，同时又增加了粒子种群的多样性，较好地解决了早熟收敛的问题。通过典型优化函数的仿真实验验证了该算法的有效性。

关键词: 粒子群算法, 自适应分群, 小生境, 灾变, 域约束, 种群结构

Abstract: Based on niche ideas and catastrophe theory，a new particle swarm optimization algorithm（AGPSO） is proposed in this paper，which can adaptively adjust population structure.The algorithm，after obtaining local optimal area，leaves only part of the particles to find local minima.While the other particles are dealt with by disaster，and are restrained in the remaining regions for new search.The experiment results of three classic benchmark functions show that the algorithm is a better method to solve the premature convergence problem，it can not only improve the convergence velocity and precision in the evolutionary，but also effectively enhance the global optimization power.

Key words: particle swarm algorithm, adaptive-grouping, niche, disaster, interval-constrained, population structure

符强. 一种自适应分群的粒子群算法[J]. 计算机工程与应用, 2011, 47(15): 46-48.

FU Qiang. Adaptive-grouping particle swarm algorithm[J]. Computer Engineering and Applications, 2011, 47(15): 46-48.

[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]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.