差分进化引导趋化算子的烟花优化算法

doi:10.3778/j.issn.1002-8331.1710-0255

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (3): 140-146.DOI: 10.3778/j.issn.1002-8331.1710-0255

差分进化引导趋化算子的烟花优化算法

刘茜1，毛力1，杨弘2

1.江南大学物联网工程学院，江苏无锡 214122
2.中国水产科学院淡水渔业研究中心，江苏无锡 214081

出版日期:2019-02-01 发布日期:2019-01-24

Fireworks Optimization Algorithm Based on Leading Differential Evolution Chemotaxis Operator

LIU Xi1, MAO Li1, YANG Hong2

1.School of Internet of Things Engineering, Jiangnan University, Wuxi, Jiangsu 214122, China
2.Freshwater Fisheries Research Center of Chinese Academy of Fishery Sciences, Wuxi, Jiangsu 214081, China

Online:2019-02-01 Published:2019-01-24

摘要/Abstract

摘要： 标准烟花算法粒子间交流机制存在缺陷，且对最优点位置不在原点和原点附近时的目标函数求解能力差，对此提出差分进化引导趋化算子的烟花算法（BFA）。利用差分进化算法和趋化算子的局部搜索优势，在每一次迭代的过程中不断寻找这一代的最好个体，通过最优个体信息对局部粒子维度信息进行修改从而使得整个群体得到改善，8个标准和增加位置偏移的测试函数仿真结果表明，BFW相比于原始烟花算法（FA），粒子群算法和SPSO在寻优精度和寻优速度上有了较好的提高。

关键词: 烟花算法, 趋化因子, 差分进化, 函数优化, 全局寻优

Abstract: In order to solve the default of the fireworks algorithm inter-particle exchange mechanism and the disadvantage that the optimal position is not solved by the objective function near the origin and the origin come up with fireworks algorithm optimization with chemotaxis operator（BFW）. Using the local search advantage of the chemotaxis operator to find the best individual in every iteration to improve the whole population’s search ability. The improved algorithm has been tested on 8 benchmark functions. The experimental results show that BFW has better behaviors in convergence accuracy and speed.

Key words: fireworks algorithm, chemotaxis operator, differential evolution, function optimization, global optimization

刘茜1，毛力1，杨弘2. 差分进化引导趋化算子的烟花优化算法[J]. 计算机工程与应用, 2019, 55(3): 140-146.

LIU Xi1, MAO Li1, YANG Hong2. Fireworks Optimization Algorithm Based on Leading Differential Evolution Chemotaxis Operator[J]. Computer Engineering and Applications, 2019, 55(3): 140-146.

[1]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	许德刚，李凡，王露，郭奕欣，邢奎杰，梁腾翔. 优化烟花算法在医疗物资应急调度中的应用[J]. 计算机工程与应用, 2021, 57(24): 249-258.
[4]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[5]	万达，李俊. 锦标赛精英学习与协方差变异的烟花算法[J]. 计算机工程与应用, 2021, 57(19): 84-96.
[6]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[7]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[8]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[9]	魏锋涛，史云鹏，石坤. 具有组合变异策略的回溯搜索优化算法[J]. 计算机工程与应用, 2020, 56(9): 41-47.
[10]	沈鑫，邹德旋，张强. 采用双变异策略的自适应差分进化算法及应用[J]. 计算机工程与应用, 2020, 56(4): 146-157.
[11]	宋钰，石立宝. 参数动态调整的自适应布谷鸟算法[J]. 计算机工程与应用, 2020, 56(23): 61-67.
[12]	张梦琳，江沸菠，董莉，高颖. 智能无人机轨迹与任务卸载联合优化[J]. 计算机工程与应用, 2020, 56(21): 38-46.
[13]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[14]	黄欣，莫海淼，赵志刚，曾敏. 离散型增强烟花算法和[kNN]在特征选择中的研究[J]. 计算机工程与应用, 2020, 56(16): 112-117.
[15]	王浩，李俊，周蓉. 自适应合并与分裂的多种群差分进化算法[J]. 计算机工程与应用, 2020, 56(15): 162-171.

差分进化引导趋化算子的烟花优化算法

Fireworks Optimization Algorithm Based on Leading Differential Evolution Chemotaxis Operator

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics