求解高维函数优化的动态粒子群算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (27): 36-37.

求解高维函数优化的动态粒子群算法

孙兰兰1，王晓超2

1.浙江工业职业技术学院，浙江绍兴 321000
2.漯河医学高等专科学校，河南漯河 462002

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-21 发布日期:2011-09-21

Dynamic particle swarm optimization for solving high dimensional function

SUN Lanlan1，WANG Xiaochao2

1.Zhejiang Industry Polytechnic College，Shaoxing，Zhejiang 321000，China
2.Luohe Medical College，Luohe，Henan 462002，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-21 Published:2011-09-21

摘要/Abstract

摘要： 针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷，提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略，使得粒子对周围环境的适应能力不受进化代数的影响，从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明，与文献算法相比，该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。

关键词: 粒子群优化算法, 动态粒子群优化算法, 高维函数优化

Abstract: To improve the search quality of the standard PSO algorithm for solving high-dimensional function，a dynamic particle swarm optimization algorithm is proposed.The strategy that particle trajectory is changed dynamically by adjusting the threshold value is used to make particles adaptability for the surrounding environment without the influence of evolutionary algebra，and the strong search capability of algorithm in iterative later is ensured.Simulations show that proposed algorithm has more powerful optimizing ability and higher optimizing precision in high-dimensional function optimization than literature algorithms.

Key words: particle swarm optimization algorithm, dynamic particle swarm optimization algorithm, high-dimensional function optimization

孙兰兰1，王晓超2. 求解高维函数优化的动态粒子群算法[J]. 计算机工程与应用, 2011, 47(27): 36-37.

SUN Lanlan1，WANG Xiaochao2. Dynamic particle swarm optimization for solving high dimensional function[J]. Computer Engineering and Applications, 2011, 47(27): 36-37.

[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]	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.
[3]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	邹德龙，王宝华. 一种混合优化算法面向高维函数优化的研究[J]. 计算机工程与应用, 2019, 55(20): 122-127.
[9]	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.
[10]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[11]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[12]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[13]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[14]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[15]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.