一种非线性权重的自适应粒子群优化算法

doi:10.3778/j.issn.1002-8331.2010.35.014

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (35): 49-51.DOI: 10.3778/j.issn.1002-8331.2010.35.014

一种非线性权重的自适应粒子群优化算法

徐刚¹，杨玉群²，黄先玖¹

1.南昌大学数学系，南昌 330031
2.南昌大学，南昌 330047

收稿日期:2009-05-27 修回日期:2009-07-20 出版日期:2010-12-11 发布日期:2010-12-11
通讯作者: 徐刚

Adaptive particle swarm optimization algorithm of nonlinear inertia weight

XU Gang¹，YANG Yu-qun²，HUANG Xian-jiu¹

1.Department of Mathematics Nanchang University，Nanchang 330031，China
2.Nanchang University，Nanchang 330047，China

Received:2009-05-27 Revised:2009-07-20 Online:2010-12-11 Published:2010-12-11
Contact: XU Gang

摘要/Abstract

摘要： 针对粒子群优化算法中出现早熟和不收敛问题，分析了基本PSO算法参数对其优化性能的影响，提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中，惯性权重随迭代次数非线性变化，改进的算法能使粒子自适应地改变搜索速度进行搜索，并与基本粒子群算法以及其他改进的粒子群算法进行了比较。实验结果表明，该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题，算法的优越性更明显。

关键词: 粒子群优化算法, 非线性, 自适应

Abstract: Aiming at the prematurity and non-convergence problems in particle swarm optimization algorithm，the parameters of standard PSO affecting its optimization performance is analysed and an adaptive particle swarm optimization algorithm based on nonlinear inertia weight is pointed out.During optimization，the inertia weight changes with nonlinearity along iteration times，the improved algorithm can adaptively change search speed.A compare is made with the standard Particle Swarm Optimization as well as other advanced Particle Swarm Optimization.The experimental results illustrate that the proposed algorithm has evident superiorities in search precision and convergence speed.Especially，there are evident superiorities in multi-dimension and multi-peak nonlinear optimization questions.

Key words: particle swarm optimization algorithm, nonlinearity, adaptive

中图分类号:

TP391

徐刚¹，杨玉群²，黄先玖¹. 一种非线性权重的自适应粒子群优化算法[J]. 计算机工程与应用, 2010, 46(35): 49-51.

XU Gang¹，YANG Yu-qun²，HUANG Xian-jiu¹. Adaptive particle swarm optimization algorithm of nonlinear inertia weight[J]. Computer Engineering and Applications, 2010, 46(35): 49-51.

[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]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[3]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[4]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[5]	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.
[6]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[7]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[8]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[9]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[10]	张惠煜，陈庆新，毛宁. 随机批量物料搬运的制造系统AGV配置优化[J]. 计算机工程与应用, 2021, 57(4): 245-251.
[11]	张公凯，陈才学，郑拓. 改进鲸鱼算法在电动汽车有序充电中的应用[J]. 计算机工程与应用, 2021, 57(4): 272-278.
[12]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[13]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[14]	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.
[15]	肖振久，孔祥旭，宗佳旭，杨玥莹. 自适应聚焦损失的图像目标检测算法[J]. 计算机工程与应用, 2021, 57(23): 185-192.

一种非线性权重的自适应粒子群优化算法

Adaptive particle swarm optimization algorithm of nonlinear inertia weight

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