一种结合混沌和逃逸的自适应粒子群优化方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (26): 35-38.

一种结合混沌和逃逸的自适应粒子群优化方法

冯昌利，高雷阜

辽宁工程技术大学数学与系统科学研究所，辽宁阜新 123000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-11 发布日期:2011-09-11

Improved adaptive particle swarm optimization method based on self-adaptive escape and chaos

FENG Changli，GAO Leifu

Institute of Mathematics and Systems Science，Liaoning Technical University，Fuxin，Liaoning 123000，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-11 Published:2011-09-11

摘要/Abstract

摘要： 考虑到粒子群早熟收敛现象，提出了一种基于逃逸和混沌的自适应粒子群优化算法。该算法引入一个新的惯性系数来改进原有的速度更新公式，并在粒子陷入早熟之后，调整相应的速度参数。同时，选取适应度最差的10%的粒子，利用混沌的方法对它们的位置进行更新，并且格栅化。产生了充分多的点，使粒子群跳出了当前的局部最优并获得更优的群体最优值。数值仿真表明，该算法粒子群能有效地跳出局部极值，获得精度更高的优化值。

关键词: 粒子群, 早熟, 自适应, 逃逸, 混沌

Abstract: To solve the premature convergence problem of the Particle Swarm Optimization（PSO），an improved PSO method based on self-adaptive escape velocity and chaos is proposed.A new inertial parameter is introduced to amend the original velocity equation.When the particle arrived at local best solution，the algorithm has modified the correspondent velocity parameters.Meanwhile，the particles whose fitness is listed 10% worse are modified by the use of chaos methods and are grided，by which more points are created to get a better global best solution.Simulation results show that this algorithm can escape from local optima and achieve more accurate solutions.

Key words: Particle Swarm Optimization（PSO）, premature convergence, self-adaptive, escape, chaos

冯昌利，高雷阜. 一种结合混沌和逃逸的自适应粒子群优化方法[J]. 计算机工程与应用, 2011, 47(26): 35-38.

FENG Changli，GAO Leifu. Improved adaptive particle swarm optimization method based on self-adaptive escape and chaos[J]. Computer Engineering and Applications, 2011, 47(26): 35-38.

[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]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[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]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[5]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[6]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[7]	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.
[8]	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.
[9]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[10]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[11]	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.
[12]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[13]	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.
[14]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[15]	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.