PSO与捕鱼策略相结合的优化方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (8): 36-40.

PSO与捕鱼策略相结合的优化方法

庞兴，王勇

广西民族大学数学与计算机科学学院，南宁 530006

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-11 发布日期:2011-03-11

Optimization approach combined PSO with fishing strategy

PANG Xing，WANG Yong

College of Mathematics and Computer Science，Guangxi University for Nationalities，Nanning 530006，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-11 Published:2011-03-11

摘要/Abstract

摘要： 在分析粒子群优化算法（PSO）和采用捕鱼策略的优化方法（FSOA）存在不足的基础上，提出一种将PSO融入捕鱼策略中的优化算法。该算法要求渔夫在打渔活动中采用灵活机动的多点随机抛投鱼网策略。将该优化算法用于解决三个典型的带约束的函数优化问题，优化实验仿真结果表明，该方法具有收敛速度快、优化精度高、稳定性好的特点，具有较好的全局寻优能力。

关键词: 捕鱼策略, 粒子群算法, 约束优化

Abstract: An optimization algorithm which combines the Particle Swarm Optimization（PSO） into the Optimization Approach on Fishing Strategy（FSOA） is presented based on analyzing the shortcoming of the PSO and the FSOA.The algorithm demands that every fisher makes use of an agile，mobile and multipoint random casting fishnet strategy in the fishing activity.It shows，from the experimental and simulation results of three typical restrained functions’ optimization，that the optimization approach has the performance of rapid convergence rate，high precision of optimization and good stability.It indicates that the algorithm has better performance in global optimization.

Key words: fishing strategy, Particle Swarm Optimization（PSO）, restrained optimization

庞兴，王勇

. PSO与捕鱼策略相结合的优化方法[J]. 计算机工程与应用, 2011, 47(8): 36-40.

PANG Xing，WANG Yong. Optimization approach combined PSO with fishing strategy[J]. Computer Engineering and Applications, 2011, 47(8): 36-40.

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[7]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[13]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[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]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.