基于量子粒子群搜索策略的混合蛙跳算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (29): 29-33.

基于量子粒子群搜索策略的混合蛙跳算法

唐德玉1，2，蔡先发1，齐德昱2，杨进1

1.广东药学院医药信息工程学院计算机系，广州 510006
2.华南理工大学计算机科学与工程学院计算机系，广州 510006

出版日期:2012-10-11 发布日期:2012-10-22

Shuffled frog leaping algorithm based on particle swarm optimization searching strategy

TANG Deyu1，2, CAI Xianfa1, QI Deyu2, YANG Jin1

1.Department of Computer, College of Medical Information and Engineering, Guangdong Pharmaceutical University, Guangzhou 510006, China
2.Department of Computer, College of Computer Science & Engineering, South China University of Technology, Guangzhou 510006, China

Online:2012-10-11 Published:2012-10-22

摘要/Abstract

摘要： 混合蛙跳算法（SFLA）是一种全新的群体智能优化算法。针对基本混合蛙跳算法局部搜索能力差，因而优化精度低、收敛速度慢的缺点，引入量子粒子群算法的搜索策略，提出了一种基于量子粒子群搜索策略的混合蛙跳算法（QPSO-SFLA）。通过对基准函数进行测试，实验结果表明改进的算法大大提高了算法的收敛速度，增强了算法的寻优能力。

关键词: 群体智能优化, 搜索策略, 混合蛙跳算法, 量子粒子群算法

Abstract: Shuffled Frog Leaping Algorithm（SFLA） is a new swarm intelligence optimization algorithm. This paper introduces a searching strategy of quantum particle swarm optimization and proposes a Shuffled Frog Leaping Algorithm based on Quantum Particle Swarm Optimization（QPSO-SFLA） since the local searching ability of basic shuffled frog leaping algorithm is not very well. Experimental results show that the new algorithm not only improves the convergence speed but also enhances the global search ability.

Key words: swarm intelligence optimization, searching strategy, shuffled frog leaping algorithm, quantum particle swarm optimization

唐德玉1，2，蔡先发1，齐德昱2，杨进1. 基于量子粒子群搜索策略的混合蛙跳算法[J]. 计算机工程与应用, 2012, 48(29): 29-33.

TANG Deyu1，2, CAI Xianfa1, QI Deyu2, YANG Jin1. Shuffled frog leaping algorithm based on particle swarm optimization searching strategy[J]. Computer Engineering and Applications, 2012, 48(29): 29-33.

[1]	张子然，黄卫华，陈阳，章政，李梓远. 基于双向搜索的改进蚁群路径规划算法[J]. 计算机工程与应用, 2021, 57(21): 270-277.
[2]	郝翔，贺毅朝，朱晓斌，翟庆雷. 基于离散混合多宇宙算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(18): 103-113.
[3]	郭佳丽，王秋萍，王晓峰. 融合学习策略和邻域搜索的飞蛾火焰算法[J]. 计算机工程与应用, 2021, 57(12): 170-179.
[4]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[5]	李郅琴，杜建强，聂斌，熊旺平，黄灿奕，李欢. 特征选择方法综述[J]. 计算机工程与应用, 2019, 55(24): 10-19.
[6]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[7]	俞武扬，周洋. 改进柔性隔间结构的不等形面积设施布局研究[J]. 计算机工程与应用, 2019, 55(14): 221-227.
[8]	马占飞1，杨晋2，金溢2，边琦3. 基于IQPSO-IDE算法的网络入侵检测方法[J]. 计算机工程与应用, 2019, 55(10): 115-120.
[9]	陈佳瑜，李梁，罗云. 采用多样性选择的量子粒子群双向聚类算法[J]. 计算机工程与应用, 2018, 54(9): 42-46.
[10]	李志强1，朱望纯1，张伟昆1，2. 区域停车诱导信息发布板的选址优化算法[J]. 计算机工程与应用, 2018, 54(8): 242-246.
[11]	唐亮1，2，仲元昌2，沈甲甲2，马天智2. 粗糙集和支持向量机的表具识别算法研究[J]. 计算机工程与应用, 2018, 54(2): 253-258.
[12]	林诗洁1，2，董晨1，2，陈明志1，2，张凡1，2，陈景辉1，2. 新型群智能优化算法综述[J]. 计算机工程与应用, 2018, 54(12): 1-9.
[13]	彭越兮1，徐蔚鸿1，2，陈沅涛1，马宏华3. 改进量子粒子群算法的模糊神经网络水质评价[J]. 计算机工程与应用, 2018, 54(11): 211-216.
[14]	张文鹏，王兴. 改进型蝙蝠算法在作业车间调度问题中的应用[J]. 计算机工程与应用, 2017, 53(8): 137-140.
[15]	欧阳龙，杨剑锋，徐俊，郭成城. 基于CRQP的多小区OFDMA系统联合资源分配算法[J]. 计算机工程与应用, 2017, 53(5): 121-127.