基于群体适应度方差的自适应粒子群优化算法

doi:10.3778/j.issn.1002-8331.2010.18.009

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (18): 24-26.DOI: 10.3778/j.issn.1002-8331.2010.18.009

基于群体适应度方差的自适应粒子群优化算法

田东平^1，2，赵天绪²

1.宝鸡文理学院计算机软件研究所，陕西宝鸡 721007
2.宝鸡文理学院计算信息科学研究所，陕西宝鸡 721007

收稿日期:2008-10-22 修回日期:2008-12-24 出版日期:2010-06-21 发布日期:2010-06-21
通讯作者: 田东平

Adaptive particle swarm optimization based on colony fitness variance

TIAN Dong-ping^1，2，ZHAO Tian-xu²

1.Institute of Computer Software，Baoji University of Arts and Science，Baoji，Shaanxi 721007，China
2.Institute of Computational Information Science，Baoji University of Arts and Science，Baoji，Shaanxi 721007，China

Received:2008-10-22 Revised:2008-12-24 Online:2010-06-21 Published:2010-06-21
Contact: TIAN Dong-ping

摘要/Abstract

摘要： 针对基本粒子群优化算法稳定性较差和易陷入局部收敛的缺点，提出了一种基于群体适应度方差的自适应粒子群优化算法。一方面，在可行域中采用混沌初始化生成均匀分布的粒群，提高了初始解的质量；另一方面，构造了基于群体适应度方差的惯性权重的自适应变换公式，增强了算法跳出局部最优解的能力。仿真实验结果表明了该算法的可行性和有效性。

关键词: 粒子群优化, 稳定性, 局部收敛, 惯性权重

Abstract: Particle Swarm Optimization（PSO） is a novel stochastic global optimization evolutionary algorithm.To overcome the poor stability and local convergence of PSO，an adaptive particle swarm optimization based on colony fitness variance（FV-APSO） is proposed.On the one hand，the uniformly distributed particles are generated in the feasible region by chaos so as to improve the quality of the initial solutions.On the other hand，the adaptive transformation formula of the inertia weight，which is based on fitness variance of swarm is constructed in order to enhance the ability of the PSO to get away from the local optimum.Simulation results show that the FV-APSO is feasible and effective.

Key words: Particle Swarm Optimization（PSO）, stability, local convergence, inertia weight

中图分类号:

TP301.6

田东平^1，2，赵天绪². 基于群体适应度方差的自适应粒子群优化算法[J]. 计算机工程与应用, 2010, 46(18): 24-26.

TIAN Dong-ping^1，2，ZHAO Tian-xu². Adaptive particle swarm optimization based on colony fitness variance[J]. Computer Engineering and Applications, 2010, 46(18): 24-26.

[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]	崔增乐，钱晓东. 区块链社交网络信息传播模型的优化研究[J]. 计算机工程与应用, 2021, 57(7): 59-69.
[3]	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.
[4]	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.
[5]	卫保国，张玉兰，周佳明. 图像匹配中的特征点筛选方法[J]. 计算机工程与应用, 2021, 57(3): 208-214.
[6]	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.
[7]	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.
[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]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.

基于群体适应度方差的自适应粒子群优化算法

Adaptive particle swarm optimization based on colony fitness variance

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