带极值抖动的变尺度粒子群优化算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (30): 53-57.

带极值抖动的变尺度粒子群优化算法

刘进1，覃洁萍2

1.广西师范学院，南宁 530023
2.广西中医学院，南宁 530001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-21 发布日期:2011-10-21

Mutative scale particle swarm optimization algorithm with extremum disturbed

LIU Jin1，QIN Jieping2

1.Guangxi Teachers Education University，Nanning 530023，China
2.Guangxi Traditional Chinese Medicine University，Nanning 530001，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-21 Published:2011-10-21

摘要/Abstract

摘要： 为克服粒子群优化算法容易陷入局部最优解的问题，提出一种带极值抖动的变尺度粒子群优化算法，该算法在粒子进化过程中动态调整学习因子，改善粒子的搜索性能，利用极值抖动方法帮助粒子逃离局部最优解，采用变尺度方法逐步缩小算法的优化范围，提高算法搜索密度。实验表明，该算法对9个具有代表性的基准测试函数，其优化效率及优化精度均优于以往提出的典型粒子群优化改进算法。

关键词: 粒子群优化算法, 极值抖动, 变尺度

Abstract: To overcome the drawbacks of usually being trapped into local minima when solving complex optimal problem using the algorithm of particle swarm optimization，a mutative scale particle swarm optimization algorithm with extremum disturbed is proposed.In the procedure of the particles evolution，the proposed algorithm dynamically adjusts learning factors for improving the search performance，introduces in extremum disturbed method to help the particles escape unexpected local minima，adopts the method of mutative scale shortening the optimal range to increase search density.Experiment results show that the proposed algorithm is superior to previously improved PSO algorithm in efficiency and precision on 9 well-known benchmark test functions.

Key words: Particle Swarm Optimization（PSO）, extremum disturbed, mutative scale

刘进1，覃洁萍2. 带极值抖动的变尺度粒子群优化算法[J]. 计算机工程与应用, 2011, 47(30): 53-57.

LIU Jin1，QIN Jieping2. Mutative scale particle swarm optimization algorithm with extremum disturbed[J]. Computer Engineering and Applications, 2011, 47(30): 53-57.

[1]	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.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[4]	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.
[5]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[6]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[7]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[8]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[9]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[10]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[11]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[12]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[13]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.
[14]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[15]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.