结合局部优化算法的改进粒子群算法研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (9): 51-53.

结合局部优化算法的改进粒子群算法研究

殷脂1，2，叶春明1，温蜜2

1.上海理工大学管理学院，上海 200093
2.上海电力学院计算机与信息工程学院，上海 200090

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-21 发布日期:2011-03-21

Research on combination algorithm of particle swarm optimization and local optimization

YIN Zhi1，2，YE Chunming1，WEN Mi2

1.Business School，University of Shanghai for Science and Technology，Shanghai 200093，China
2.School of Computer and Information Engineering，Shanghai University of Electric Power，Shanghai 200090，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-21 Published:2011-03-21

摘要/Abstract

摘要： 提出了结合局部优化算法的改进粒子群算法（Combination Particle Swarm Optimization，CPSO），粒子群算法虽然通过群体规模来规避早熟，但缺乏局部快速搜索能力，因此将局部优化算法与改进粒子群算法相结合，并尝试不同的局部优化算法，例如牛顿法、最速下降法，通过典型函数优化实验表明，与其他改进粒子群算法相比，CPSO具有较强的寻优能力，鲁棒性和较快的收敛速度；实验也表明不同的局部优化算法在不同的特征函数上体现出不同的优势。

关键词: 粒子群优化算法, 牛顿法, 最速下降法, 优化效率

Abstract: This paper proposes an algorithm which is a combination algorithm of particle swarm optimization and local optimization named CPSO.CPSO incorporates the advantages of the local optimization and PSO.Different local optimization algorithms are tried.Finally several experiments are performed on typical functions.Compared with other PSO algorithms，CPSO shows excellent global searching，robustness and rapid constringency；several numerical examples also show that different local optimization algorithms own their different advantages of different types of target functions.

Key words: particle swarm optimization, Newton algorithm, steepest-descent algorithm, optimization efficiency

殷脂1，2，叶春明1，温蜜2. 结合局部优化算法的改进粒子群算法研究[J]. 计算机工程与应用, 2011, 47(9): 51-53.

YIN Zhi1，2，YE Chunming1，WEN Mi2. Research on combination algorithm of particle swarm optimization and local optimization[J]. Computer Engineering and Applications, 2011, 47(9): 51-53.

[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]	贾宝惠，黄琳，李耀华，蔺越国. 轴承故障诊断FastICA算法性能优化方法[J]. 计算机工程与应用, 2019, 55(8): 208-214.
[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]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	孙延鹏1，2，陈晶晶2，屈乐乐2. 基于拟牛顿法和块稀疏重建的TWR成像算法[J]. 计算机工程与应用, 2017, 53(23): 212-216.
[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.