自学习的量子粒子群优化算法改进

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (20): 24-29.

自学习的量子粒子群优化算法改进

盛歆漪1，孙俊2，周頔1，须文波2

1.江南大学数字媒体学院，江苏无锡 214021
2.江南大学物联网学院，江苏无锡 214021

出版日期:2014-10-15 发布日期:2014-10-28

Self-learning quantum-behaved particle swarm optimization algorithm

SHENG Xinyi1, SUN Jun2, ZHOU Di1, XU Wenbo2

1.School of Digital Media, Jiangnan University, Wuxi, Jiangsu 214021, China
2.School of IoT Engineering, Jiangnan University, Wuxi, Jiangsu 214021, China

Online:2014-10-15 Published:2014-10-28

摘要/Abstract

摘要： 分析了量子行为粒子群优化算法，着重研究了算法中群体粒子的搜索行为，对算法中局部吸引点进行了分析，提出针对粒子在搜索过程中所处的不同搜索环境，将粒子的搜索行为分为四种类型，并能够自适应地学习优化问题环境，采用合适的学习模式，提高算法整体优化性能；将改进后的自学习量子粒子群算法与其他一些改进方法通过CEC2005 benchmark测试函数进行了比较，最后对结果进行了分析，仿真结果显示自学习方法能够显著改善量子粒子群优化算法的性能。

关键词: 粒子群算法, 自适应学习, 局部吸引点, 搜索模式

Abstract: Quantum-behaved particle swarm optimization algorithm is analyzed, particles searching action and local attract point are studied. To the different searching environment in searching progress, the searching actions are divided into four models. The proposed algorithm can self-learn the optimization problem, and utilize a suitable learning model, then the whole optimization performance is increased. The comparison and analysis of results with the proposed method and other improved QPSO based on CEC2005 benchmark function are given, the simulation results show the modified algorithm can greatly improve the QPSO performance.

Key words: Particle Swarm Optimization（PSO） algorithm, self-learning, local attract point, searching model

盛歆漪1，孙俊2，周頔1，须文波2. 自学习的量子粒子群优化算法改进[J]. 计算机工程与应用, 2014, 50(20): 24-29.

SHENG Xinyi1, SUN Jun2, ZHOU Di1, XU Wenbo2. Self-learning quantum-behaved particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2014, 50(20): 24-29.

[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]	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.
[3]	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.
[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]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.