总结性自适应变异的粒子群算法

doi:10.3778/j.issn.1002-8331.2105-0151

摘要/Abstract

摘要： 针对粒子群优化（particle swarm optimization，PSO）算法在迭代期间易陷入局部最优及寻优精度不高的缺点，提出一种总结性自适应变异的粒子群算法SCVPSO（self-conclusion and self-adaptive variation particle swarm optimization）。采用非线性转折上升再递减惯性权重动态更新每个粒子的位置，有效避免早熟；对筛选的局部粒子作反向搜索处理，提高种群寻优效率；引入新的参数scr（self-conclusion rate）以总结各个粒子近期求解情况，并通过概率单向变异引导粒子指向全局最优，增加粒子多样性。借助15个测试函数与其他变种粒子群优化算法对比，结果显示，改进之后的算法在求解性能上明显优于其他算法，验证了该策略的有效性。

关键词: 粒子群优化, 惯性权重, 反向搜索, 总结性变异

Abstract: Aiming at the shortcomings of particle swarm optimization（PSO） algorithm, which is easy to fall into local optimum and low precision during iteration, this paper proposes a self-conclusion and self-adaptive variation particle swarm optimization（SCVPSO）. Firstly, the position of each particle is dynamically updated by nonlinear turning up and then decreasing inertia weight to avoid premature. Secondly, the local particles are searched backward to improve the efficiency of population optimization. Finally, a new parameter scr（self-conclusion rate） is introduced to summarize the recent solution situation of each particle, and the probability directed variation is used to guide the particles to the global optimum to increase the diversity of particles. With the help of 15 test functions, compared with other variant particle swarm optimization algorithm, the results show that the improved algorithm is significantly better than other algorithms in solving performance, which verifies the effectiveness of the strategy.

Key words: particle swarm optimization, inertia weight, reverse search, self-conclusion of variation

陈博文, 邹海. 总结性自适应变异的粒子群算法[J]. 计算机工程与应用, 2022, 58(8): 67-75.

CHEN Bowen, ZOU Hai. Self-Conclusion and Self-Adaptive Variation Particle Swarm Optimization[J]. Computer Engineering and Applications, 2022, 58(8): 67-75.

参考文献

[1] KENNEDY J，EBERHART R.Particle swarm optimization[C]//International Conference on Neural Networks，1995.
[2] 张德惠，游晓明，刘升.融合猫群算法的动态分组蚁群算法[J].计算机科学与探索，2020，14（5）：880-891.
ZHANG D H，YOU X M，LIU S.Dynamic grouping ant colony algorithm combined with cat swarm optimization[J].Journal of Frontiers of Computer Science and Technology，2020，14（5）：880-891.
[3] 宋杰，许冰，杨淼中.基于自适应步长果蝇优化算法图像分割[J].计算机工程与应用，2020，56（4）：184-190.
SONG J，XU B，YANG M Z.Image segmentation based on adaptive step size fruit fly optimization algorithm[J].Computer Engineering and Applications，2020，56（4）：184-190.
[4] 杨景明，马明明，车海军，等.多目标自适应混沌粒子群优化算法[J].控制与决策，2015，30（12）：2168-2174.
YANG J M，MA M M，CHE H J，et al.Multi-objective adaptive chaos particle swarm optimization algorithm[J].Control and Decision，2015，30（12）：2168-2174.
[5] 付绍昌，黄辉先，肖业伟，等.自适应变异粒子群算法在交通控制中的应用[J].系统仿真学报，2007（7）：1562-1564.
FU S C，HUANG H X，XIAO Y W，et al.Application of adaptive mutation particle swarm optimization algorithm in traffic control[J].Journal?of?System?Simulation，2007（7）：1562-1564.
[6] 赵宏伟，李圣普.基于粒子群算法和RBF神经网络的云计算资源调度方法研究[J].计算机科学，2016，43（3）：113-117.
ZHAO H W，LI S P.Research on resources scheduling method in cloud computing based on PSO and RBF neural network[J].Computer Science，2016，43（3）：113-117.
[7] SHI Y，EBERHART R C.A modified particle swarm optimizer[C]//Proceedings of the IEEE Congress on Evolutionary Computation，Piscataway，NJ，1998：69-73.
[8] SHI Y，EBERHART R C.Parameters selections in particle swarm optimization[C]//Proceedings of IEEE International Conference on Evolutionary Programming，1998：591-600.
[9] 敖永才，师奕兵，张伟，等.自适应惯性权重的改进粒子群算法[J].电子科技大学学报，2014，43（6）：874-880.
AO Y C，SHI Y B，ZHANG W，et al.Improved particle swarm optimization with adaptive inertia weight[J].Journal of University of Electronic Science and Technology of China，2014，43（6）：874-880.
[10] 郭巳秋，许廷发，王洪庆，等.改进的粒子群优化目标跟踪方法[J].中国光学，2014（5）：759-767.
GUO S Q，XU T F，WANG H Q，et al.Object tracking method based on improved particle swarm optimization[J].Chinese Optics，2014（5）：759-767.
[11] 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.
ZHOU R，LI J，WANG H.Reverse learning particle swarm optimization based on grey wolf optimization[J].Computer Engineering and Applications，2020，56（7）：48-56.
[12] 季伟东，徐浩天，林平.自适应变异粒子群优化算法及在新冠肺炎疫情传播预测中的应用[J].小型微型计算机系统，2021，42（3）：472-477.
JI W D，XU H T，LIN P，Adaptive mutation particle swarm optimization and its application in predicting the COVID-19 epidemic transmission[J].Journal of Chinese Computer Systems，2021，42（3）：472-477.
[13] 陈贵敏，贾建援，韩琪.粒子群优化算法的惯性权值递减策略研究[J].西安交通大学学报，2006（1）：53-56.
CHEN G M，JIA J Y，HAN Q.Study on the strategy of decreasing inertia weight in particle swarm optimization algorithm[J].Journal of Xi’an Jiaotong University，2006（1）：53-56.
[14] 闫群民，马瑞卿，马永翔，等.一种自适应模拟退火粒子群优化算法[J].西安电子科技大学学报，2021，48（4）：120-127.
YAN Q M，MA R Q，MA Y X，et al.Adaptive simulated annealing particle swarm optimization algorithm[J].Journal of Xidian University，2021，48（4）：120-127.
[15] 张其文，尉雅晨.独立自适应调整参数的粒子群优化算法[J].计算机科学与探索，2020，14（4）：637-648.
ZHANG Q W，WEI Y C，Particle swarm optimization with independent adaptive parameter adjustment[J].Journal of Frontiers of Computer Science and Technology，2020，14（4）：637-648.
[16] 梁田，曹德欣.基于莱维飞行的改进简化粒子群算法[J].计算机工程与应用，2021，57（20）：188-196.
LIANG T，CAO D X.Improved and simplified particle swarm optimization algorithm based on Levy flight[J].Computer Engineering and Applications，2021，57（20）：188-196.
[17] MCCALL J.Genetic algorithms for modelling and optimisation-ScienceDirect[J].Journal of Computational and Applied Mathematics，2005，184（1）：205-222.
[18] 宋威，华子彧.融入社会影响力的粒子群优化算法[J].计算机科学与探索，2020，14（11）：1908-1919.
SONG W，HUA Z Y.Particle swarm optimization with social influence[J].Journal of Frontiers of Computer Science and Technology，2020，14（11）：1908-1919.
[19] CHATTERJEE A，SIARRY P.Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimization[J].Computers and Operations Research，2006，33（3）：859-871.
[20] PHUNG M D，HA Q P.Motion-encoded particle swarm optimization for moving target search using UAVs[J].Applied Soft Computing，2020，97：106705.
[21] 姜建国，田旻，王向前，等.采用扰动加速因子的自适应粒子群优化算法[J].西安电子科技大学学报，2012，39（4）：74-80.
JIANG J G，TIAN M，WANG X Q，et al.Adaptive particle swarm optimization via disturbing acceleration coefficients[J].Journal of Xidian University，2012，39（4）：74-80.
[22] 滕志军，吕金玲，郭力文，等.基于动态加速因子的粒子群优化算法研究[J].微电子学与计算机，2017，34（12）：125-129.
TENG Z J，LV J L，GUO L W，et al.Research on particle swarm optimization based on dynamic acceleration coefficients[J].Microelectronics & Computer，2017，34（12）：125-129.
[23] 徐浩天，季伟东，孙小晴，等.基于正态分布衰减惯性权重的粒子群优化算法[J].深圳大学学报（理工版），2020，37（2）：208-213.
XU H T，JI W D，SUN X Q，et al.A PSO algorithm with inertia weight decay by normal distribution[J].Journal of Shenzhen University（Science and Engineering），2020，37（2）：208-213.
[24] YAN C M，LU G Y，LIU Y T，et al.A modified PSO algorithm with exponential decay weight[C]//2017 13th International Conference on Natural Computation，Fuzzy Systems and Knowledge Discovery（ICNC-FSKD），2018.