带有退火和杂交变异思想的改进粒子群算法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (19): 43-49.

带有退火和杂交变异思想的改进粒子群算法

黄炜霖1，刘建军1，张明1，吕照明1，伍建2，3

1.中国石油大学（北京）理学院，北京 102249
2.中国石油大学（北京）油气资源与探测国家重点实验室，北京 102249
3.中国石油大学（北京） CNPC物探重点实验室，北京 102249

出版日期:2015-09-30 发布日期:2015-10-13

Improved Particle Swarm Optimization algorithm with simulated annealing and genetic operation

HUANG Weilin1, LIU Jianjun1, ZHANG Ming1, LV Zhaoming1, WU Jian2，3

1.College of Science, China University of Petroleum-Beijing, Beijing 102249, China
2.State Key Laboratory of Petroleum Resource and Prospecting, China University of Petroleum-Beijing, Beijing 102249, China
3.CNPC Key Laboratory of Geophysical Prospecting, China University of Petroleum-Beijing, Beijing 102249, China

Online:2015-09-30 Published:2015-10-13

摘要/Abstract

摘要： 针对粒子群算法的“早熟”，进化后期收敛速度慢及精度低等问题，提出了一种改进的PSO算法。为保证初始群体的遍历性，改进算法首先利用了信息熵产生初始群体；为提高进化过程中群体的多样性，将遗传算法中杂交、变异的思想融入了算法中；为提高算法晚期的收敛速度，将模拟退火算法中退火的思想引入到杂交过程中。该算法与其他改进算法进行数值比较，仿真实验表明，提出的算法抗“早熟”能力强，搜索精度高，稳定性好。

关键词: 混合算法, 粒子群, 智能优化, 信息熵

Abstract: For the disadvantages of Particle Swarm Optimization（PSO） algorithm, such as “premature”, slow convergence speed and low convergence precision in the late evolutionary, a novel hybrid PSO algorithm is proposed. The algorithm applies the entropy theory to generate the initial population, and integrates simulated annealing and the ideas of hybridization and mutation in the genetic algorithm into evolutionary process. Results of simulation experiment show that the algorithm compared with other modified PSO algorithms proposed before is improved virtually on anti “premature” ability, optimization precision and stability.

Key words: hybrid algorithm, Particle Swarm Optimization（PSO）, intelligent optimization, entropy

黄炜霖1，刘建军1，张明1，吕照明1，伍建2，3. 带有退火和杂交变异思想的改进粒子群算法[J]. 计算机工程与应用, 2015, 51(19): 43-49.

HUANG Weilin1, LIU Jianjun1, ZHANG Ming1, LV Zhaoming1, WU Jian2，3. Improved Particle Swarm Optimization algorithm with simulated annealing and genetic operation[J]. Computer Engineering and Applications, 2015, 51(19): 43-49.

[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]	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.
[4]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[5]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[6]	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.
[7]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[8]	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.
[9]	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.
[10]	陈瑶，陈思. 基于自适应多普勒及动态邻域的改进BA算法[J]. 计算机工程与应用, 2021, 57(22): 166-176.
[11]	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.
[12]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[13]	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.
[14]	江魁，丘远东，郑浩城. 基于信息熵与LSTM的ICMPv6 DDoS攻击检测方法[J]. 计算机工程与应用, 2021, 57(21): 148-154.
[15]	梁田，曹德欣. 基于莱维飞行的改进简化粒子群算法[J]. 计算机工程与应用, 2021, 57(20): 188-196.