一种改进的粒子群算法

doi:10.3778/j.issn.1002-8331.2009.26.017

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (26): 58-59.DOI: 10.3778/j.issn.1002-8331.2009.26.017

一种改进的粒子群算法

张焱^1,2，高兴宝¹

1.陕西师范大学数学与信息科学学院，西安 710062
2.西安师范学校，西安 710001

收稿日期:2008-05-16 修回日期:2008-08-18 出版日期:2009-09-11 发布日期:2009-09-11
通讯作者: 张焱

Modified particle swarm optimization algorithm

ZHANG Yan^1,2，GAO Xing-bao¹

1.College of Mathematic and Information Science，Shaanxi Normal University，Xi’an 710062，China
2.Xi’an Normal School，Xi’an 710001，China

Received:2008-05-16 Revised:2008-08-18 Online:2009-09-11 Published:2009-09-11
Contact: ZHANG Yan

摘要/Abstract

摘要： 为了改进基本粒子群算法的搜索功能，针对粒子群算法易于陷入局部极值，进化后期的收敛速度慢和精度低等缺点，通过公式分析得到新的惯性权重调节方法，提出了一种新的改进粒子群算法。用几个经典测试函数进行实验，实验结果表明，新算法不仅具有更好的收敛精度，而且能更有效地进行全局搜索。

关键词: 群体智能, 进化计算, 粒子群算法, 惯性权重

Abstract: The particle swarm optimization algorithm is a kind of intelligent optimization algorithm.This algorithm has some demerits，such as relapsing into local optima，slow convergence velocity and low convergence precision in the late evolutionary.A new algorithm，based on the new inertia weight，is proposed to overcome the demerits of the basic particle swarm optimization.Six benchmark functions are tested and the experimental results show that the new algorithm not only significantly speeds up the convergence，but also effectively solves the premature convergence problem.

Key words: swarm intelligence, evolutionary computation, particle swarm optimization, inertia weight

中图分类号:

TP301.6

张焱^1,2，高兴宝¹. 一种改进的粒子群算法[J]. 计算机工程与应用, 2009, 45(26): 58-59.

ZHANG Yan^1,2，GAO Xing-bao¹. Modified particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2009, 45(26): 58-59.

[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]	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]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.

一种改进的粒子群算法

Modified particle swarm optimization algorithm

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