粒子群优化算法在函数均值求解中的应用研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (34): 235-237.

粒子群优化算法在函数均值求解中的应用研究

莫愿斌，徐水华

广西民族大学数学与计算机科学学院，南宁 530006

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-01 发布日期:2011-12-01

Application of particle swarm optimization on solving mean of function

MO Yuanbin，XU Shuihua

School of Mathematics and Computer Sciences，Guangxi University for Nationalities，Nanning 530006，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-01 Published:2011-12-01

摘要/Abstract

摘要： 针对函数的均值计算在工程与理论分析上的重要作用，在对粒子群优化算法（PSO）的整体极值、局部极值的模型进行调整的基础上，提出利用粒子群算法求解函数均值问题。该算法以当前所有粒子的平均值作为整体均值，粒子当前的平均值作为该粒子的局部均值，使粒子朝着目标函数的均值靠近，从而达到求出函数在一个区间段上的均值。数值计算结果验证了算法的有效性，并将其用于计算定积分，获得满意的结果。

关键词: 函数均值, 定积分, 粒子群优化算法, 均值粒子群算法

Abstract: Aimed at the significance of the mean of function in engineering and theoretical analysis，Particle Swarm Algorithm（PSO） is used to solving the mean of function by adjusting the model of goal extremum and local extremum of it.Using all particles’ present mean as goal mean and one particle’s present mean as local mean，PSO can make particle move toward the mean of objective function，so it can find out the mean of function in a domain.The results of the numerical computation prove the method is effective，and it is used to compute definite integral.

Key words: function mean, definite integral, Particle Swarm Optimization（PSO）, mean particle swarm

莫愿斌，徐水华. 粒子群优化算法在函数均值求解中的应用研究[J]. 计算机工程与应用, 2011, 47(34): 235-237.

MO Yuanbin，XU Shuihua. Application of particle swarm optimization on solving mean of function[J]. Computer Engineering and Applications, 2011, 47(34): 235-237.

[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]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[15]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.