一种采用线性递减步长的自组织迁移算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 26-28.

一种采用线性递减步长的自组织迁移算法

翁纯毅1，李元香1，王玲玲1，林志毅2

1.武汉大学软件工程国家重点实验室，武汉 430072
2.广东工业大学计算机学院，广州 510006

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-21 发布日期:2011-06-21

Modified self-organizing migrating algorithm with linear-digress step

WENG Chunyi1，LI Yuanxiang1，WANG Lingling1，LIN Zhiyi2

1.State Key Laboratory of Software Engineering，Wuhan University，Wuhan 430072，China
2.Computer College，Guangdong University of Technology，Guangzhou 510006，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-21 Published:2011-06-21

摘要/Abstract

摘要： 自组织迁移算法（SOMA）是一种新型的群体智能算法。在对原始自组织迁移算法分析的基础上，针对基于随机变异步长的自组织迁移算法存在的不足，提出了线性递减步长策略，即有针对性地以线性方式动态调整步长，以满足群体迭代在不同阶段的需求，从而加速群体在多峰复杂空间中收敛速度的同时提高算法的局部搜索能力。实验结果表明，该算法优于原始自组织迁移算法和基于随机变异步长的自组织迁移算法。

关键词: 自组织迁移算法, 步长, 线性递减, 优化

Abstract: Self-Organizing Migrating Algorithm（SOMA） is a kind of new swarm intelligent algorithm.After analyzing the basic self-organizing migrating algorithm and modified self-organizing migrating algorithm with random mutation step，this paper proposes a improved self-organizing migrating algorithm with linear-digress step.The algorithm accelerates the convergence ratio of swarm in multi-modal complex space and enhances the ability of local search by adjusting step length dynamic and linear under some directions.Experiments reveal that the proposed algorithm behaves better than the self-organizing migrating algorithm with random mutation step and the basic one.

Key words: self-organizing migrating algorithm, step, linear digress, optimization

翁纯毅1，李元香1，王玲玲1，林志毅2. 一种采用线性递减步长的自组织迁移算法[J]. 计算机工程与应用, 2011, 47(18): 26-28.

WENG Chunyi1，LI Yuanxiang1，WANG Lingling1，LIN Zhiyi2. Modified self-organizing migrating algorithm with linear-digress step[J]. Computer Engineering and Applications, 2011, 47(18): 26-28.

[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]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[3]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[4]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[5]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[6]	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.
[7]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[8]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[9]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[10]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[11]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[12]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[13]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[14]	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.
[15]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.