小生境粒子群优化算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (15): 41-43.

小生境粒子群优化算法

向长城^1，2，黄席樾¹，杨祖元¹，杨欣¹

1.重庆大学自动化学院导航与制导试验室，重庆 400030
2.湖北民族学院数学系，湖北恩施 445000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-05-21 发布日期:2007-05-21
通讯作者: 向长城

Niche Particle Swarm Optimization algorithm

XIANG Chang-cheng^1，2，HUANG Xi-yue¹，YANG Zu-yuan¹，YANG Xin¹

1.College of Automation，Chongqing University，Chongqing 400030，China
2.Department of Mathematics，Hubei Institute of Nationalities，Enshi，Hubei 445000，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-05-21 Published:2007-05-21
Contact: XIANG Chang-cheng

摘要/Abstract

摘要： 针对粒子群算法容易早熟收敛和后期收敛速度慢的缺点，结合进化论中小生境技术，提出了小生境粒子群优化算法。通过粒子之间的距离找到具有相似距离的粒子个体组成小生境种群，然后在该种群里面利用粒子群优化算法进化粒子，所有个体经过其小生境群体的进化之后，找到最优的个体存入到下一代的粒子群中，直到找到满意的适应值为止。最后利用Shaffer函数验证了该算法的性能，并且与其他算法进行比较，结果表明该文算法能获得比较好的解，收敛成功率高，并且代价也比较小。

关键词: 粒子群优化, 小生境, 共享机制, 优化

Abstract: The Niche Particle Swarm Optimization（NPSO） is proposed by the Particle Swarm Optimisation（PSO） and Niche technology，and it solves the PSO’s problem of premature convergence and slow convergence in latter half.Niche population is constituted by the particle which has the similar distance，then every particle is evolved by the PSO in each niche population，and the best individual is preserved in next generation.The algorithm is terminated until the satisfactory fitness value is found.The performance of NPSO is validated by Shaffer function.

Key words: Particle Swarm Optimization（PSO）, Niche, share Mechanism, ptimization

向长城^1，2，黄席樾¹，杨祖元¹，杨欣¹. 小生境粒子群优化算法[J]. 计算机工程与应用, 2007, 43(15): 41-43.

XIANG Chang-cheng^1，2，HUANG Xi-yue¹，YANG Zu-yuan¹，YANG Xin¹. Niche Particle Swarm Optimization algorithm[J]. Computer Engineering and Applications, 2007, 43(15): 41-43.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	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.
[3]	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.
[4]	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.
[5]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[6]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[7]	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.
[8]	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.
[9]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[10]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[11]	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.
[12]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[13]	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.
[14]	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.
[15]	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.