云自适应粒子群优化算法在数值积分中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (24): 53-56.

云自适应粒子群优化算法在数值积分中的应用

梁莉莉1，韦修喜2

1.广西民族大学理学院，南宁 530006
2.广西国际商务职业技术学院信息工程系，南宁 530007

出版日期:2012-08-21 发布日期:2012-08-21

Numerical integral method research based on Cloud Adaptive Particle Swarm Optimization algorithm

LIANG Lili1, WEI Xiuxi2

1.School of Science, Guangxi University for Nationalities, Nanning 530006, China
2.Department of Information Engineering, Guangxi International Business Vocational College, Nanning 530007, China

Online:2012-08-21 Published:2012-08-21

摘要/Abstract

摘要： 为了提高传统自适应粒子群优化算法的鲁棒性，由[X]条件云发生器自适应调整粒子的惯性权重，提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点，使得惯性权重既具有传统的趋向性，满足快速寻优能力，又具有随机性，有利于提高种群的多样性，提高了收敛速度。通过对求解任意函数数值积分的实验表明，该算法计算精度高、求解速度快，是求解数值积分的一种有效的方法。

关键词: 云理论, 自适应粒子群优化算法, 云自适应粒子群优化算法, 数值积分

Abstract: In order to improve robustness of the traditional adaptive particle swarm optimization algorithm, a novel adaptive algorithm which is called Cloud Adaptive Particle Swarm Optimization algorithm（CAPSO） is proposed. In the CAPSO, the inertia weight is adaptively varied depending on X-conditional cloud generator. CAPSO can improve its convergence capacity because of the stable tendency of cloud model. Meanwhile, it can remarkably avoid a local minimum using the randomness of cloud model to maintain diversity in the population. The performance of the CAPSO which is used for solving numerical integral of any function shows that the presented numerical integral algorithm has value in engineering practice.

Key words: cloud theory, Adaptive Particle Swarm Optimization algorithm（APSO）, Cloud Adaptive Particle Swarm Optimization algorithm（CAPSO）, numerical integral

梁莉莉1，韦修喜2. 云自适应粒子群优化算法在数值积分中的应用[J]. 计算机工程与应用, 2012, 48(24): 53-56.

LIANG Lili1, WEI Xiuxi2. Numerical integral method research based on Cloud Adaptive Particle Swarm Optimization algorithm[J]. Computer Engineering and Applications, 2012, 48(24): 53-56.

[1]	赵丽1，2，薛建平2. 基于采样点正交变换的改进CKF算法[J]. 计算机工程与应用, 2018, 54(18): 45-51.
[2]	徐皓1，2，康凤举1，2，李丹3. 反鱼雷鱼雷武器系统作战效能评估方法[J]. 计算机工程与应用, 2015, 51(2): 265-270.
[3]	赖志柱，张云艳. 基于遗传算法求任意函数的数值积分[J]. 计算机工程与应用, 2014, 50(2): 54-57.
[4]	张琛1，徐国丽2. 基于云遗传的RBF神经网络的交通流量预测[J]. 计算机工程与应用, 2014, 50(16): 216-220.
[5]	孔川，罗大庸. 利用弹簧质点模型和隐式方法的布料模拟研究[J]. 计算机工程与应用, 2011, 47(9): 225-227.
[6]	罗德相，周永权，黄华娟，韦杏琼. 多种群粒子群优化算法[J]. 计算机工程与应用, 2010, 46(19): 51-54.
[7]	于少伟. 集成智能自适应货运量预测算法研究[J]. 计算机工程与应用, 2009, 45(32): 225-228.
[8]	史彦斌^1，2，高宪军¹，张安². 云理论在航空电子战系统效能评估中的应用 [J]. 计算机工程与应用, 2009, 45(22): 241-243.
[9]	李晓斌,吴燕翔,孙海燕. 油料输送温度的智能预测控制[J]. 计算机工程与应用, 2009, 45(2): 197-200.
[10]	李振福. 中国北极航线问题协调地位的云模型模糊识别[J]. 计算机工程与应用, 2009, 45(11): 16-18.
[11]	聂黎明,周永权. 用人工鱼群算法求解二重数值积分[J]. 计算机工程与应用, 2009, 45(10): 34-37.
[12]	韦杏琼,周永权,黄华娟,罗德相. 云自适应粒子群算法[J]. 计算机工程与应用, 2009, 45(1): 48-50.
[13]	方晓伟. 积分水平集的多目标规划[J]. 计算机工程与应用, 2008, 44(35): 59-61.
[14]	陈付龙^1,2. 二元数值积分的计算方法[J]. 计算机工程与应用, 2007, 43(19): 32-34.