自适应扩展的简化粒子群优化算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 45-47.

自适应扩展的简化粒子群优化算法

赵志刚，张振文，张福刚

广西大学计算机与电子信息学院，南宁 530004

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

Simplified particle swarm optimization algorithm with adaptive extended operator

ZHAO Zhigang，ZHANG Zhenwen，ZHANG Fugang

College of Computer and Electronics Information，Guangxi University，Nanning 530004，China

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

摘要/Abstract

摘要： 针对基本粒子群优化算法易于陷入局部最优的问题，提出了一种自适应扩展的简化粒子群优化算法。该算法采用去除速度项的简化算法结构，并用所有粒子个体极值的平均值代替每个粒子的个体极值，自适应动态调整加速系数。实验结果表明，算法能够有效避免早熟收敛问题，其全局收敛性能显著提高，收敛速度更快。

关键词: 粒子群优化算法, 局部最优, 个体极值, 加速系数

Abstract: An improved Particle Swarm Optimization（PSO） algorithm is presented based on three methods of improvement in standard PSO to avoid being trapped in local minima.The iteration formula of PSO is changed and simplified by removal of velocity parameter that is unnecessary during the course of evolution.The personal best value of each particle is replaced by the mean value of them of all particles.The acceleration coefficients are adaptively adjusted to improve the search performance of algorithm.The experimental results show that the proposed algorithm not only has great advantages of convergence property over standard PSO and some other modified PSO algorithms，but also avoids effectively being trapped in local minima.

Key words: Particle Swarm Optimization（PSO）, local minima, personal best value, acceleration coefficients

赵志刚，张振文，张福刚. 自适应扩展的简化粒子群优化算法[J]. 计算机工程与应用, 2011, 47(18): 45-47.

ZHAO Zhigang，ZHANG Zhenwen，ZHANG Fugang. Simplified particle swarm optimization algorithm with adaptive extended operator[J]. Computer Engineering and Applications, 2011, 47(18): 45-47.

[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]	信成涛，邹海. 修正浓度与适应步长的果蝇优化算法[J]. 计算机工程与应用, 2019, 55(7): 48-52.
[6]	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.
[7]	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.
[8]	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.
[9]	刘今越，李洋，郭志红，任志斌，刘佳斌. 面向光学检测中轨迹优化问题的遗传算法研究[J]. 计算机工程与应用, 2018, 54(4): 205-210.
[10]	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.
[11]	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.
[12]	翟军昌1，秦玉平2. 随机交叉全局和声搜索算法[J]. 计算机工程与应用, 2018, 54(12): 21-26.
[13]	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.
[14]	周袅1，2，葛洪伟1，2，苏树智1. 基于信息素的自适应连续域混合蚁群算法[J]. 计算机工程与应用, 2017, 53(6): 156-161.
[15]	李艳娟，陈阿慧. 基于禁忌搜索的人工蜂群算法[J]. 计算机工程与应用, 2017, 53(4): 145-151.