自适应信息选择PSO算法及其特性分析

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (6): 1-7.

自适应信息选择PSO算法及其特性分析

吴涛1，严余松1，2，陈曦1

1.西南交通大学信息科学与技术学院，成都 610031
2.四川师范大学，成都 610068

出版日期:2013-03-15 发布日期:2013-03-14

Adaptive partly informed PSO algorithm and its characteristics analysis

WU Tao1, YAN Yusong1，2, CHEN Xi1

1.School of Information Science & Technology, Southwest Jiaotong University, Chengdu 610031, China
2.Sichuan Normal University, Chengdu 610068, China

Online:2013-03-15 Published:2013-03-14

摘要/Abstract

摘要： 针对粒子群优化过程中容易出现早熟收敛或停滞的问题，在全信息粒子群优化（FIPSO）算法的基础上结合社会心理学原理提出了一种新的粒子群优化算法——自适应信息选择粒子群优化算法（API-PSO）。在API-PSO算法中，粒子根据其邻域粒子不同表现，自适应地选择群体共享经验。实验表明，新的优化算法具有较好的收敛精度和收敛速度。分别对API-PSO算法的种群多样性和收敛性进行了数学分析，分析结果为合理选择算法参数，解决算法种群多样性匮乏，促进种群进化发展，改善算法性能提供了理论依据。

关键词: 群体智能, 粒子群优化, 早熟收敛, 种群多样性

Abstract: To avoid the premature convergence or stagnation during particle swarm optimization process, on the basis of Fully-Informed Particle Swarm Optimization（FIPSO） in conjunction with social psychological principles, the novel Adaptive Partly Informed Particle Swarm Optimization（API-PSO） algorithm is proposed. In API-PSO algorithm, a particle adaptively selects swarm-shared experience according to performances of its neighboring particles. Experiment results show that API-PSO offers satisfactory convergence accuracy and speed. Probabilistic analysis on swarm diversity and convergence analysis of API-PSO is conducted which serves as the theoretic basis to select the algorithm parameters, solve swarm diversity lack, facilitate swarm evolution development and improve algorithm performance.

Key words: swarm intelligence, Particle Swarm Optimization（PSO）, premature convergence, population diversity

吴涛1，严余松1，2，陈曦1. 自适应信息选择PSO算法及其特性分析[J]. 计算机工程与应用, 2013, 49(6): 1-7.

WU Tao1, YAN Yusong1，2, CHEN Xi1. Adaptive partly informed PSO algorithm and its characteristics analysis[J]. Computer Engineering and Applications, 2013, 49(6): 1-7.

[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]	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.
[3]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[4]	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.
[5]	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.
[6]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[7]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[8]	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.
[9]	张松灿，普杰信，司彦娜，孙力帆. 蚁群算法在移动机器人路径规划中的应用综述[J]. 计算机工程与应用, 2020, 56(8): 10-19.
[10]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[11]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[12]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[13]	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.
[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.