一种混合粒子群优化算法的研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (31): 27-29.

一种混合粒子群优化算法的研究

张安玲1，王中2

1.长治学院数学系，山西长治 046011
2.长治学院计算机系，山西长治 046011

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

Research on hybrid particle swarm optimization algorithm

ZHANG Anling1，WANG Zhong2

1.Department of Mathematics，Changzhi College，Changzhi，Shanxi 046011，China
2.Department of Computer Science，Changzhi College，Changzhi，Shanxi 046011，China

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

摘要/Abstract

摘要： 结合粒子群优化算法和拟牛顿法的优点，提出了一种混合粒子群优化算法。该算法首先运行粒子群优化算法，到进化到一定程度时，把当代的最好点作为拟牛顿法的初始点，再利用拟牛顿法，对其进行二次优化。算法充分发挥了粒子群优化算法的全局搜索性和拟牛顿法的局部精细搜索性，同时也克服了粒子群算法后期搜索效率低和拟牛顿法对初始点敏感的缺陷。数值实验结果表明，该算法具有很高的收敛速度和求解精度。

关键词: 粒子群优化算法, 拟牛顿法, 混合算法, 收敛性

Abstract: A hybrid particle swarm optimization algorithm combing advantages of Particle Swarm Optimization（PSO） algorithm with quasi-Newton method is proposed.The algorithm runs the PSO firstly.The best point of contemporary is used as the initial point of quasi-Newton method when PSO evolutes to a certain extent.Then the algorithm is further optimized using quasi-Newton method.The hybrid algorithm has displayed sufficiently the characteristics of PSO’s group search and quasi-Newton method’s local strong search.At the same time，it overcomes the disadvantages of high sensitivity to initial point of quasi-Newton method and PSO reducing the search efficiency in later period.Numerical results show that the algorithm has a high convergence speed and solution precision.

Key words: particle swarm optimization algorithm, quasi-Newton method, hybrid algorithm, convergence

张安玲1，王中2. 一种混合粒子群优化算法的研究[J]. 计算机工程与应用, 2011, 47(31): 27-29.

ZHANG Anling1，WANG Zhong2. Research on hybrid particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2011, 47(31): 27-29.

[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]	曹立佳，刘洋. 制造车间自动导引车调度新进展[J]. 计算机工程与应用, 2021, 57(21): 59-67.
[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]	巫光福，陈颖. 花授粉算法研究与应用综述[J]. 计算机工程与应用, 2021, 57(15): 30-41.
[6]	廖列法，杨红. 天牛须搜索算法研究综述[J]. 计算机工程与应用, 2021, 57(12): 54-64.
[7]	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.
[8]	马倩茹，冶继民. FastICA算法的收敛性与一致性分析[J]. 计算机工程与应用, 2020, 56(2): 35-41.
[9]	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.
[10]	闫旭，叶春明. 混合蝗虫优化算法求解作业车间调度问题[J]. 计算机工程与应用, 2019, 55(6): 257-264.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	贾涵，连晓峰. 发现概率参数自适应调节的布谷鸟改进算法[J]. 计算机工程与应用, 2018, 54(22): 16-22.