新型的动态粒子群优化算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (16): 32-34.

新型的动态粒子群优化算法

王润芳1，张耀军2，裴志松1

1.长春工业大学人文信息学院，长春 130122
2.信阳农业高等专科学校计算机系，河南信阳 464000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-01 发布日期:2011-06-01

Novel particle swarm optimization algorithm

WANG Runfang1，ZHANG Yaojun2，PEI Zhisong1

1.College of Humanities & Information，Changchun University of Technology，Changchun 130122，China
2.Department of Computer，Xinyang Agricultural College，Xinyang，Henan 464000，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-01 Published:2011-06-01

摘要/Abstract

摘要： 为了解决动态改变惯性权重的自适应粒子群算法不易跳出局部最优的问题，提出了一种自适应变异的动态粒子群优化算法。在算法中引入了自适应学习因子和自适应变异策略，从而使算法具有动态自适应性，能够较容易地跳出局部最优。对几种典型函数的测试结果表明，该算法的收敛速度明显优于文献算法，收敛精度也有所提高。

关键词: 粒子群优化算法, 惯性权重, 自适应变异, 学习因子

Abstract: To solve the problem that adaptive particle swarm algorithm with dynamically changing inertia weigh algorithm is apt to trap in local optimum，a dynamic particle swarm optimization algorithm with adaptive mutation is proposed.The adaptive learning factor and adaptive mutation strategy are introduced in this new algorithm，so that proposed algorithm can easily jump out of local optimum with effective dynamic adaptability.The test experiments with three well-known benchmark functions show that the convergence speed of proposed algorithm is significantly superior to existing algorithms，and the convergence accuracy of algorithm is also increased.

Key words: particle swarm optimization algorithm, inertia weight, adaptive mutation, learning factor

王润芳1，张耀军2，裴志松1. 新型的动态粒子群优化算法[J]. 计算机工程与应用, 2011, 47(16): 32-34.

WANG Runfang1，ZHANG Yaojun2，PEI Zhisong1. Novel particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2011, 47(16): 32-34.

[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]	张公凯，陈才学，郑拓. 改进鲸鱼算法在电动汽车有序充电中的应用[J]. 计算机工程与应用, 2021, 57(4): 272-278.
[3]	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.
[4]	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.
[5]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[6]	顾艳春，鲁海燕，向蕾，沈莞蔷. 自适应动态学习鸡群优化算法[J]. 计算机工程与应用, 2020, 56(20): 36-45.
[7]	李丽荣，李木子，李崔灿，王培崇. 具有动态自适应学习机制的教与学优化算法[J]. 计算机工程与应用, 2020, 56(19): 62-67.
[8]	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.
[9]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[10]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[11]	陆文星，李楚. 改进PSO算法优化LSSVM模型的短期客流量预测[J]. 计算机工程与应用, 2019, 55(18): 247-255.
[12]	党婷婷，林丹. 含有动态自适应惯性权重的蜘蛛猴优化算法[J]. 计算机工程与应用, 2019, 55(14): 40-47.
[13]	李龙澍1，2，张效见2. 一种新的自适应惯性权重混沌PSO算法[J]. 计算机工程与应用, 2018, 54(9): 139-144.
[14]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[15]	黄霞1，2，叶春明1，郑军1. 混合改进搜索策略的鸡群优化算法[J]. 计算机工程与应用, 2018, 54(7): 176-181.