动态惯性权重向量和维变异的粒子群优化算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (5): 29-31.

动态惯性权重向量和维变异的粒子群优化算法

梁昔明，董淑华，龙文，肖晓芳

中南大学信息科学与工程学院，长沙 410083

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-02-11 发布日期:2011-02-11

PSO algorithm with dynamical inertial weight vector and dimension mutation

LIANG Ximing，DONG Shuhua，LONG Wen，XIAO Xiaofang

School of Information Science and Engineering，Central South University，Changsha 410083，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-02-11 Published:2011-02-11

摘要/Abstract

摘要： 分析了含维变异算子的粒子群优化算法全局搜索能力与收敛速度的矛盾，提出了动态惯性权重向量和维变异的改进粒子群优化算法。算法首先定义了维多样性的概念，根据维多样性的情况动态地调整惯性权重向量，并对维多样性最差的维进行变异。4个典型测试函数的仿真实验说明该算法具有更强的全局搜索能力和更快的收敛速度。

关键词: 粒子群优化, 维多样性, 惯性权重向量, 维变异

Abstract: The contradiction of the global exploration and convergence speed of particle swarm optimization with dimension mutation operator is analyzed，and an improved algorithm（WPSO） is proposed by modifying PSO with dimension mutation based on dynamical inertial weight vector.In the proposed algorithm，the concept of dimension diversity is defined and inertial weight vector will be updated dynamically according to dimension diversity.The mutation operates on dimension whose dimension diversity is the worst.The simulation on four typical test functions indicates that the proposed algorithm has more powerful global exploration ability and faster convergence speed.

Key words: particle swarm optimization, dimension diversity, inertial weight vector, dimension mutation

梁昔明，董淑华，龙文，肖晓芳. 动态惯性权重向量和维变异的粒子群优化算法[J]. 计算机工程与应用, 2011, 47(5): 29-31.

LIANG Ximing，DONG Shuhua，LONG Wen，XIAO Xiaofang. PSO algorithm with dynamical inertial weight vector and dimension mutation[J]. Computer Engineering and Applications, 2011, 47(5): 29-31.

[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]	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.
[3]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[4]	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.
[5]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[6]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[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]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[9]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[10]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[11]	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.
[12]	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.
[13]	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.
[14]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.
[15]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.