具有主从结构的粒子群优化算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (27): 72-74.

具有主从结构的粒子群优化算法

孙传峰¹,周刘喜²

1.三江大学电气与自动化工程学院,南京 210012
2.南京工业大学自动化学院,南京 210009

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-21 发布日期:2007-09-21
通讯作者: 孙传峰

Particle Swarm Optimization with main-sub structure

SUN Chuan-feng¹,ZHOU Liu-xi²

1.College of Electric and Automation Engineering,Sanjiang University,Nanjing 210012,China
2.College of Automation,Nanjing University of Technology,Nanjing 210009,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-21 Published:2007-09-21
Contact: SUN Chuan-feng

摘要/Abstract

摘要： 提出了一种具有主从结构的粒子群优化算法,该算法实现了惯性权重、加速因子、最大速度等系统参数与目标函数的同步优化。将主程序的一个粒子作为子程序的一组系统参数,在该组控制参数下使用基本的粒子群算法对子程序的目标函数进行优化,并把子程序优化所得的全局最优值返回主程序作为主程序的一个适应值,同时使用基本的粒子群算法对主程序的适应度函数进行优化。实验结果表明,该算法的优化性能较基本的粒子群算法有了显著提高。该方法对于粒子群算法的参数选择具有指导意义。

关键词: 粒子群, 参数选择, 优化算法, 全局优化

Abstract: A novel particle swarm optimization（MSPSO） with main-sub structure is proposed and it implements optimization for objective function and system parameters such as inertia weight,acceleration coefficients,maximum velocity simultaneously.One particle in the main program is treated as a set of system parameters in the subprogram.Under these control parameters,objective function in the subprogram is optimized with Particle Swarm Optimization（PSO） and global best value of subprogram is returned to main program and is viewed as a fitness value in the main program.At the same time,the fitness function of main program is also optimized with PSO.Experimental results show that the performance of MSPSO is superior to that of PSO.MSPSO guides also parameters selection for PSO.

Key words: particle swarm, parameters selection, optimization algorithm, global optimization

孙传峰¹,周刘喜². 具有主从结构的粒子群优化算法[J]. 计算机工程与应用, 2007, 43(27): 72-74.

SUN Chuan-feng¹,ZHOU Liu-xi². Particle Swarm Optimization with main-sub structure[J]. Computer Engineering and Applications, 2007, 43(27): 72-74.

[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]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[3]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[4]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[5]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[6]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[7]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[8]	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.
[9]	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.
[10]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[11]	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.
[12]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[13]	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.
[14]	易灵芝，王仕通，易芳，邓栋，易志敏，姜鹏. 基于EEMDSE-ILSTM的风电场超短期风速预测[J]. 计算机工程与应用, 2021, 57(22): 288-294.
[15]	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.