全变异粒子群优化算法

doi:10.3778/j.issn.1002-8331.2009.32.008

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (32): 25-26.DOI: 10.3778/j.issn.1002-8331.2009.32.008

全变异粒子群优化算法

陈建超¹，胡桂武^1，2，3

1.广东商学院数学与计算科学学院，广州 510320
2.中国人民大学教育部数据工程与知识工程重点实验室，北京 100872
3.中国人民大学信息学院，北京 100872

收稿日期:2009-08-12 修回日期:2009-09-14 出版日期:2009-11-11 发布日期:2009-11-11
通讯作者: 陈建超

Whole Mutation Particle Swarm Optimization

CHEN Jian-chao¹，HU Gui-wu^1，2，3

1.School of Mathematics & Computational Science，Guangdong University of Business Studies，Guangzhou 510320，China
2.Key Lab of Data Engineering & Knowledge Engineering for the Ministry of Education，Renmin University of China，Beijing 100872，China
3.School of Information，Renmin University of China，Beijing 100872，China

Received:2009-08-12 Revised:2009-09-14 Online:2009-11-11 Published:2009-11-11
Contact: CHEN Jian-chao

摘要/Abstract

摘要： 针对粒子群优化算法容易早熟、收敛精度低等缺点，通过采用全变异策略、最大搜索速度自适应调整等策略得到了一种全变异粒子群优化算法，其中的全变异策略是在陷入早熟的条件下全体粒子参加变异，并且当把粒子看成染色体时，每一个基因等概率地参加变异，可以克服算法的早熟而继续优化，提高了算法的收敛精度。对Shubert函数进行实验的结果表明了算法的有效性。

关键词: 粒子群优化算法, 早熟, 变异, 基因

Abstract: To overcome the premature and low convergence precision of particle swarm optimization，the whole Mutation Particle Swarm Optimization（MPSO） is proposed with whole mutation and the maximum velocity self-adjustment strategy，whole mutation strategy is adopted when PSO encounters premature，the particle is considered as chromosome and every gene has the same probability to be mutated，the MPSO can overcome the local convergence of PSO and improves its convergence precision，the novel algorithm is used to solve the Shubert function optimization problem，the result shows that the algorithm is effective.

Key words: Particle Swarm Optimization（PSO）, premature, mutation, gene

中图分类号:

TP301.06

陈建超¹，胡桂武^1，2，3. 全变异粒子群优化算法[J]. 计算机工程与应用, 2009, 45(32): 25-26.

CHEN Jian-chao¹，HU Gui-wu^1，2，3. Whole Mutation Particle Swarm Optimization[J]. Computer Engineering and Applications, 2009, 45(32): 25-26.

[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]	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.
[3]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[4]	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.
[5]	李守玉，何庆，杜逆索. 分段权重和变异反向学习的蝴蝶优化算法[J]. 计算机工程与应用, 2021, 57(22): 92-101.
[6]	温泽宇，谢珺，谢刚，续欣莹. 基于新型拥挤度距离的多目标麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(22): 102-109.
[7]	任春慧，刘升，张伟康，张微微. 柯西变异的骆驼算法优化与应用[J]. 计算机工程与应用, 2021, 57(21): 87-94.
[8]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[9]	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.
[10]	周原令，胡晓兵，江代渝，李航. 基于改进NSGA-II的车间排产优化算法研究[J]. 计算机工程与应用, 2021, 57(19): 274-281.
[11]	王梦璐，李连忠. 动态反向搜索更新位置的改进灰狼优化算法[J]. 计算机工程与应用, 2021, 57(18): 86-96.
[12]	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.
[13]	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.
[14]	周新，邹海. 融合黄金正弦混合变异的自适应樽海鞘群算法[J]. 计算机工程与应用, 2021, 57(12): 75-85.
[15]	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.

全变异粒子群优化算法

Whole Mutation Particle Swarm Optimization

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