一种具有动态群体规模的微粒群算法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (11): 52-56.

一种具有动态群体规模的微粒群算法

王光辉^1,2,曾建潮¹

1.太原科技大学系统仿真与计算机应用研究所，太原 030024
2.武警石家庄指挥学院，石家庄 050061

收稿日期:2007-07-27 修回日期:2007-10-09 出版日期:2008-04-11 发布日期:2008-04-11
通讯作者: 王光辉

Particle Swarm Optimization algorithm with Varying Population Size

WANG Guang-hui^1,2,ZENG Jian-chao¹

1.Division of System Simulation and Computer Application，Taiyuan University of Science and Technology，Taiyuan 030024，China
2.Educational Technology Center，Shijiazhuang Command Institute of Chinese People’s Armed Police Force，Shijiazhuang 050061，China

Received:2007-07-27 Revised:2007-10-09 Online:2008-04-11 Published:2008-04-11
Contact: WANG Guang-hui

摘要/Abstract

摘要： 以标准微粒群算法PSO为基础，提出了一种改进的群体规模可变的微粒群算法—VPPSO。该方法是在标准PSO的进化过程中，当PGBEST（全局最好值）连续多代不发生变化时，利用遗传算法的杂交机制产生子代，并根据一定的规则加入进化群体中，当群体规模超过允许的最大值时，再通过选择机制，将群体规模收缩到初始时的状态。通过对四个多峰测试函数进行仿真，其结果表明：在高维多峰函数的优化中，VPPSO的收敛率以及收敛精度较标准PSO有很大的提高。

关键词: 群体规模, 微粒群算法, 多峰函数, 高维函数

Abstract: Based on the standard Particle Swarm Optimization algorithm（PSO），an improved PSO with Varying Population Size（VPPSO） is proposed.During the evolution of PSO，if the best fitness value（PGBEST） of population is not changed for some generations，the offspring，generated by crossover operator of genetic algorithm，join in the actual population by some deterministic rules.When the population size reaches the maximum size allowed，it is shrinked to the size of starting point by selection operator of genetic algorithm.Through the experiments of four multi-peak test functions with high dimension，the results of simulation show that the rate of convergence and the precision of convergence for VPPSO are better than standard PSO at the high dimension of search space．

Key words: population size, Particle Swarm Optimization（PSO）, multi-peak function, high-dimension function

王光辉^1,2,曾建潮¹. 一种具有动态群体规模的微粒群算法[J]. 计算机工程与应用, 2008, 44(11): 52-56.

WANG Guang-hui^1,2,ZENG Jian-chao¹. Particle Swarm Optimization algorithm with Varying Population Size[J]. Computer Engineering and Applications, 2008, 44(11): 52-56.

[1]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[2]	邹德龙，王宝华. 一种混合优化算法面向高维函数优化的研究[J]. 计算机工程与应用, 2019, 55(20): 122-127.
[3]	刘明辉1，李炜2. 基于knee points的改进多目标人工蜂群算法[J]. 计算机工程与应用, 2018, 54(2): 40-47.
[4]	王丽1，王晓凯2. 多峰函数优化的改进群居蜘蛛优化算法[J]. 计算机工程与应用, 2017, 53(3): 1-6.
[5]	胡博. 基于均匀设计的免疫克隆多峰函数优化[J]. 计算机工程与应用, 2015, 51(2): 57-59.
[6]	王润民. 基于微粒群算法的视网膜血管自动提取方法[J]. 计算机工程与应用, 2015, 51(2): 177-180.
[7]	王敏1，2，唐俊3. 基于自适应扰动的粒子群优化算法[J]. 计算机工程与应用, 2014, 50(9): 111-115.
[8]	许成谦，郝红杰. 改进的智能优化在多用户检测中的应用[J]. 计算机工程与应用, 2013, 49(3): 143-146.
[9]	朱颀，陈成栋，陈华平. 差异工件流水车间批调度问题的求解[J]. 计算机工程与应用, 2013, 49(13): 221-227.
[10]	裴芳1，2，张洁1，2，唐俊3. 种群自适应调整的克隆多峰函数优化[J]. 计算机工程与应用, 2013, 49(11): 50-53.
[11]	黄正新，周永权. 变步长自适应萤火虫群多模态函数优化算法[J]. 计算机工程与应用, 2012, 48(8): 43-47.
[12]	李宁1，贺毅朝1，寇应展2. 利用双重结构编码PSO求解动态背包问题[J]. 计算机工程与应用, 2012, 48(7): 39-42.
[13]	魏丽. 群体动画中路径自动规划方法研究[J]. 计算机工程与应用, 2012, 48(25): 83-87.
[14]	刘合安1，王雷2. 粒子群Memetic算法求解多峰函数优化[J]. 计算机工程与应用, 2012, 48(22): 10-13.
[15]	郭研1，2，李南1，李兴森2. 基于云多目标微粒群算法的多项目调度方法[J]. 计算机工程与应用, 2012, 48(21): 15-20.