一种新的差分与粒子群算法的混合算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (6): 46-48.

一种新的差分与粒子群算法的混合算法

王志，胡小兵，何雪海

重庆大学数理学院，重庆 400030

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-02-21 发布日期:2012-02-21

New hybrid optimization based on differential evolution and particle swarm optimization

WANG Zhi, HU Xiaobing, HE Xuehai

School of Mathematics & Physics, Chongqing University, Chongqing 400030, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-02-21 Published:2012-02-21

摘要/Abstract

摘要： 利用粒子群算法的快速收敛性和差分进化算法的搜索精度较高等特点，提出了一种新的混合优化算法。该算法在粒子群算法的中后期，在已经寻找到的最优位置周围，随机生成一定数量的粒子进行差分进化算法，可以减少一定的运算量和在较优的区域进行寻找最优解。通过几个Benchmark函数的测试证明，新的混合算法具有搜索精度更高和更快收敛的优点。

关键词: 差分进化算法, 粒子群优化算法, 混合算法

Abstract: To take advantage of different algorithms, a hybrid optimization algorithm is proposed based on the combination of Differential Evolution（DE） and Particle Swarm Optimization（PSO）. At the last period of the hybrid optimization, a new population will be produced around the best position found by the PSO, and DE is carried out with this population. The hybrid optimization can deduce the computational work to some degree and has more chance to find the best solution in a better region. Numerical tests on some benchmark functions are conducted for the algorithm evaluation. The results show the higher precision and more probability to find the best solution.

Key words: Differential Evolution（DE）, Particle Swarm Optimization（PSO）, hybrid algorithm

王志，胡小兵，何雪海. 一种新的差分与粒子群算法的混合算法[J]. 计算机工程与应用, 2012, 48(6): 46-48.

WANG Zhi, HU Xiaobing, HE Xuehai. New hybrid optimization based on differential evolution and particle swarm optimization[J]. Computer Engineering and Applications, 2012, 48(6): 46-48.

[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]	曹立佳，刘洋. 制造车间自动导引车调度新进展[J]. 计算机工程与应用, 2021, 57(21): 59-67.
[4]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[5]	巫光福，陈颖. 花授粉算法研究与应用综述[J]. 计算机工程与应用, 2021, 57(15): 30-41.
[6]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[7]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[8]	廖列法，杨红. 天牛须搜索算法研究综述[J]. 计算机工程与应用, 2021, 57(12): 54-64.
[9]	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.
[10]	沈鑫，邹德旋，张强. 采用双变异策略的自适应差分进化算法及应用[J]. 计算机工程与应用, 2020, 56(4): 146-157.
[11]	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.
[12]	迟宗正，董绍正，郭童，任志磊，周宽久，郭禾. 求解风力发电机布局问题的超启发式算法研究[J]. 计算机工程与应用, 2019, 55(7): 220-225.
[13]	闫旭，叶春明. 混合蝗虫优化算法求解作业车间调度问题[J]. 计算机工程与应用, 2019, 55(6): 257-264.
[14]	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.
[15]	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.