微粒群算法与郭涛算法在数值优化中的比较

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (11): 100-103.

微粒群算法与郭涛算法在数值优化中的比较

贺毅朝张翠军王培崇张巍

石家庄经济学院信息工程学院北京科技大学信息工程学院

收稿日期:2006-04-17 修回日期:1900-01-01 出版日期:2007-04-11 发布日期:2007-04-11
通讯作者: 贺毅朝

Particle Swarm Optimization Compare with Guo Tao Algorithm on Function Optimization Problems

YiChao He

Received:2006-04-17 Revised:1900-01-01 Online:2007-04-11 Published:2007-04-11
Contact: YiChao He

摘要/Abstract

摘要： 粒子群优化(PSO)算法是由Kennedy和Eberhart于1995年提出的一种演化算法，其基本思想源于对自然界中生物群体觅食行为的仿真研究，在求解连续域优化问题时表现出较好的性能。郭涛算法(GuoA)是1999年由郭涛提出的一种基于子空间搜索和群体爬山法相结合的演化算法，在求解数值优化问题时取得了非常好的效果。文献[3,4]指出：PSO算法和GuoA算法均优于遗传算法，但这两个算法的优劣当前还没有比较结果。本文对于9个典型的复杂BenchMark测试函数，分别利用PSO算法和GuoA算法进行数值计算比较，大量的实验结果表明：GuoA算法更具有通用性，在全局收敛性方面更优，但是速度相对较慢；PSO算法的收敛速度很快，对于某些极难问题具有优越性，但成功率较低，且很容易早熟。

关键词: 粒子群优化算法, 郭涛算法, BenchMark函数

Abstract: Particle Swarm Optimization(PSO) is an Evolutionary Algorithm which is proposed by Kennedy and Eberhart in 1995. It is motivated by the social behavior of organisms,such as bird flocking, and it exhibits effective character for solving global optimization problems over continuous space. Guo-Tao Algorithm(GuoA) is an Evolutionary Algorithm which is proposed by Guo Tao in 1999. It is based on combining subspace searching with swarm climbing hill, and gain great effect for function optimization problems over continuous space too. In this paper, for 9 typical and complex BenchMark testing function, using the PSO and GuoA to calculate these problems. The result show that GuoA is more all-purpose and superiority on global convergence, but the velocity of convergence is more lower. The velocity of PSO is faster, and it can solve certain difficult optimization problem. But the success rate of PSO is more lower, and that PSO often occurs premature convergence is a great drawback.

Key words: Particle Swarm Optimization, GuoTao Algorithm, BenchMark Function

贺毅朝张翠军王培崇张巍. 微粒群算法与郭涛算法在数值优化中的比较[J]. 计算机工程与应用, 2007, 43(11): 100-103.

YiChao He. Particle Swarm Optimization Compare with Guo Tao Algorithm on Function Optimization Problems[J]. Computer Engineering and Applications, 2007, 43(11): 100-103.

[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]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[11]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[12]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[13]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.
[14]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[15]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.