求解非线性方程组的混合粒子群算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (9): 33-36.

求解非线性方程组的混合粒子群算法

欧阳艾嘉1，刘利斌2，乐光学1，3，李肯立3

1.嘉兴学院数理与信息工程学院，浙江嘉兴 314001
2.池州学院数学与计算机科学系，安徽池州 247000
3.湖南大学计算机与通信学院，长沙 410082

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-21 发布日期:2011-03-21

Hybrid particle swarm optimization for solving systems of nonlinear functions

OUYANG Aijia1，LIU Libin2，YUE Guangxue1，3，LI Kenli3

1.College of Mathematics and Information Engineering，Jiaxing University，Jiaxing，Zhejiang 314001，China
2.Department of Mathematics and Computer Science，University of Chizhou，Chizhou，Anhui 247000，China
3.School of Computer and Communication，Hunan University，Changsha 410082，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-21 Published:2011-03-21

摘要/Abstract

摘要： 结合Hooke-Jeeves和粒子群的优点，提出了一种混合粒子群算法，用于求解非线性方程组，以克服Hooke-Jeeves算法对初始值敏感和粒子群容易陷入局部极值而导致解的精度不够的缺陷。该算法充分发挥了粒子群强大的全局搜索能力和Hooke-Jeeves的局部精细搜索能力，数值实验结果表明：能够以满意的精度求出对未知数具有敏感性的非线性方程组的解，具有良好的鲁棒性和较快的收敛速度和较高的搜索精度。

关键词: 非线性方程组, Hooke-Jeeves算法, 粒子群算法

Abstract: A Hybrid Particle Swarm Optimization（HPSO） algorithm，which combines the advantages of the method Hooke-
Jeeves（HJ） and Particle Swarm Optimization（PSO），is put forward to solve systems of nonlinear functions，and it can be used to overcome the difficulty in selecting good initial guess for HJ and inaccuracy of PSO due to being easily trapped into local optimal.The algorithm has sufficiently displayed the performance of PSO’s global search and HJ’s accurate local search.Numerical computations show that the approach has great robustness，high convergence rate and precision，and it can give satisfactory solutions.

Key words: systems of nonlinear functions, Hooke-Jeeves, particle swarm optimization

欧阳艾嘉1，刘利斌2，乐光学1，3，李肯立3. 求解非线性方程组的混合粒子群算法[J]. 计算机工程与应用, 2011, 47(9): 33-36.

OUYANG Aijia1，LIU Libin2，YUE Guangxue1，3，LI Kenli3. Hybrid particle swarm optimization for solving systems of nonlinear functions[J]. Computer Engineering and Applications, 2011, 47(9): 33-36.

[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.