基于自适应扰动的粒子群优化算法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (9): 111-115.

基于自适应扰动的粒子群优化算法

王敏1，2，唐俊3

1.湖南机电职业技术学院信息工程系，长沙 410151
2.湖南大学计算机与通信学院，长沙 410082
3.湖南城建职业技术学院设备工程系，湖南湘潭 411101

出版日期:2014-05-01 发布日期:2014-05-14

Particle Swarm Optimization based on adaptive disturbance

WANG Min1，2, TANG Jun3

1.Department of Information Engineering, Hunan Mechanical & Electrical Polytechnic, Changsha 410151, China
2.College of Computer and Communication, Hunan University, Changsha 410082, China
3.Department of Equipment Engineering, Hunan Urban Construction College, Xiangtan, Hunan 411101, China

Online:2014-05-01 Published:2014-05-14

摘要/Abstract

摘要： 为了避免粒子群优化算法（PSO）早熟收敛，提出了一种自适应扰动的PSO算法（ADPSO），以帮助停滞的粒子跳出局部最优。为了验证算法的有效性，实验测试了九个多峰函数，包括四个旋转函数。仿真结果表明，该算法优于其他五种PSO算法。

关键词: 粒子群优化算法, 自适应扰动, 多峰函数, 全局优化

Abstract: In order to avoid premature convergence of Particle Swarm Optimization（PSO）, a new PSO algorithm based on Adaptive Disturbance（ADPSO） is proposed to help trapped particles escape from local minima. Experiments are conducted on nine multimodal functions, including four rotated functions, to verify the effectiveness of ADPSO. Simulation results demonstrate that this approach outperforms five other PSO algorithms.

Key words: Particle Swarm Optimization（PSO）, adaptive disturbance, multimodal function, global optimization

王敏1，2，唐俊3. 基于自适应扰动的粒子群优化算法[J]. 计算机工程与应用, 2014, 50(9): 111-115.

WANG Min1，2, TANG Jun3. Particle Swarm Optimization based on adaptive disturbance[J]. Computer Engineering and Applications, 2014, 50(9): 111-115.

[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]	方建文，黄钢，曹文明. 笔触风格化技术研究综述[J]. 计算机工程与应用, 2019, 55(9): 33-37.
[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]	连玮. 采用树表示的全局最优形状匹配算法[J]. 计算机工程与应用, 2019, 55(1): 217-225.
[9]	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.
[10]	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.
[11]	刘明辉1，李炜2. 基于knee points的改进多目标人工蜂群算法[J]. 计算机工程与应用, 2018, 54(2): 40-47.
[12]	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.
[13]	钱武文，柴军瑞，张子映，谈然. 基于反射变异策略的自适应差分进化算法[J]. 计算机工程与应用, 2018, 54(15): 161-168.
[14]	薛印玺，许鸿文，李羚. 基于样本密度的全局优化K均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 143-147.
[15]	曾辉1，王倩2，夏学文3，4，方霞1，5. 基于自适应多种群的粒子群优化算法[J]. 计算机工程与应用, 2018, 54(10): 59-65.