基于遗传算子的粒子群优化算法的比较分析

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (14): 65-66.

基于遗传算子的粒子群优化算法的比较分析

雷秀娟^1,2,史忠科²,孙瑰琪¹

1.陕西师范大学计算机科学学院，西安 710062
2.西北工业大学自动化学院，西安 710072

收稿日期:2007-08-31 修回日期:2007-11-12 出版日期:2008-05-11 发布日期:2008-05-11
通讯作者: 雷秀娟

Comparison and analysis of particle swarm optimization method based on genetic operator

LEI Xiu-juan^1,2,SHI Zhong-ke²,SUN Gui-qi¹

1.College of Computer Science，Shaanxi Normal University，Xi’an 710062,China
2.College of Automation，Northwestern Polytechnical University，Xi’an 710072，China

Received:2007-08-31 Revised:2007-11-12 Online:2008-05-11 Published:2008-05-11
Contact: LEI Xiu-juan

摘要/Abstract

摘要： 为了深入分析探讨改进的粒子群优化算法的性能，针对典型的函数优化问题，设计了3种方案：(1)采用线性递减惯性权重的PSO；(2)基于遗传算子的PSO；(3)在方案(2)基础上，加入收缩因子χ。在MATLAB 7.0中对常用的测试函数进行优化仿真，发现当融合遗传算子和收缩因子时，算法性能最优。

关键词: 粒子群优化, 线性递减惯性权重, 遗传算子, 收缩因子

Abstract: To analyse the performance of improved particle swarm optimization method deeply，three strategies are designed to experiment several standard test functions optimization problem.One of the strategies is linear inertia weight reduction,the second is the PSO with genetic operator,and the third is rejoining the constriction factor based on the second strategy.Through the optimization and simulation of the test functions in MATLAB 7.0 software，the performance of the PSO mixed the genetic operator and constriction factor is best of all.

Key words: Particle Swarm Optimization(PSO), Linearly Decreasing Weight(LDW), genetic operator, constriction factor

雷秀娟^1,2,史忠科²,孙瑰琪¹. 基于遗传算子的粒子群优化算法的比较分析[J]. 计算机工程与应用, 2008, 44(14): 65-66.

LEI Xiu-juan^1,2,SHI Zhong-ke²,SUN Gui-qi¹. Comparison and analysis of particle swarm optimization method based on genetic operator[J]. Computer Engineering and Applications, 2008, 44(14): 65-66.

[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]	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]	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.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[6]	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.
[7]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[8]	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.
[9]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[10]	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.
[11]	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.
[12]	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.
[13]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.
[14]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.
[15]	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.