改进的云自适应粒子群算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (5): 29-31.

改进的云自适应粒子群算法

张锦华

昆明工业职业技术学院电气工程系，昆明 650302

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-02-11 发布日期:2012-02-11

Modified adaptive PSO algorithm based on cloud theory

ZHANG Jinhua

Department of Electrical and Engineering, Kunming Vocational and Technical College of Industry, Kunming 650302, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-02-11 Published:2012-02-11

摘要/Abstract

摘要： 为了提高粒子群算法的寻优速度和精度，提出一种改进的云自适应粒子群算法（MCAPSO）。算法中根据粒子适应度值把种群分为三个子群，分别采用不同的惯性权重生成策略和进化策略，普通子群粒子采用云自适应惯性权重，有效地调整了算法的全局与局部搜索能力。选取了五个基准函数进行测试，与其他PSO算法作了比较。仿真结果表明该方法是有效的。

关键词: 粒子群算法, 云自适应惯性权重, 进化策略

Abstract: This paper proposes a novel Modified Adaptive Particle Swarm Optimization（MCAPSO） algorithm based on cloud theory to improve the optimum speed and performance of the PSO algorithm. The particles are divided into three groups based on the fitness of the particle in order to adopt different inertia weight generating strategy and evolutionary strategy and effective balance between the local and global search ability is achieved. This paper chooses five reference functions to have a test and compares the results with other PSO algorithms. The simulation results verify the effectiveness of this approach.

Key words: Particle Swarm Optimization（PSO）, adaptive inertia weight based on cloud theory, evolutionary strategy

张锦华. 改进的云自适应粒子群算法[J]. 计算机工程与应用, 2012, 48(5): 29-31.

ZHANG Jinhua. Modified adaptive PSO algorithm based on cloud theory[J]. Computer Engineering and Applications, 2012, 48(5): 29-31.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	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.
[7]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[13]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[14]	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.
[15]	迟宗正，董绍正，郭童，任志磊，周宽久，郭禾. 求解风力发电机布局问题的超启发式算法研究[J]. 计算机工程与应用, 2019, 55(7): 220-225.