基于健康度的人工蜂群粒子群算法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (18): 62-67.

基于健康度的人工蜂群粒子群算法

周丹1，2，葛洪伟1，2，张欢庆1，杨金龙1

1.江南大学物联网工程学院，江苏无锡 214122
2.轻工过程先进控制教育部重点实验室（江南大学），江苏无锡 214122

出版日期:2016-09-15 发布日期:2016-09-14

Particle health degree based artificial bee colony particle swarm optimization

ZHOU Dan1，2, GE Hongwei1，2, ZHANG Huanqing1, YANG Jinlong1

1.School of Internet of Things, Jiangnan University, Wuxi, Jiangsu?214122, China
2.Key Laboratory of Advanced Process Control for Light Industry of Ministry of Education（Jiangnan University）, Wuxi, Jiangsu 214122, China

Online:2016-09-15 Published:2016-09-14

摘要/Abstract

摘要： 针对标准粒子群算法存在收敛速度慢和易陷入局部最优等问题，提出了一种基于健康度的人工蜂群粒子群算法。通过动态地对各个粒子的健康状况进行评价，对正常粒子和病态粒子分别进行处理，避免无效搜索，提高算法的收敛速度；在处理病态粒子时，一方面以大概率借鉴人工蜂群的搜索策略提高算法的探索能力，另一方面以小概率增加粒子群的多样性，避免陷入局部最优。实验结果表明，与标准粒子群算法和其他改进算法相比，该算法收敛速度快、寻优精度高。

关键词: 粒子群算法, 健康度, 人工蜂群, 收敛速度, 局部最优

Abstract: To the problems of slow convergence and easy to fall into local optimum appearing in standard particle swarm optimization, a particle Health degree based Artificial Bee Colony Particle Swarm Optimization（HABCPSO） algorithm is proposed. It can dynamically evaluate the particles by using health degree. In order to enhance the speed of convergence, the proposed algorithm deals with normal and ill particles respectively. To avoid falling into local optimum, on one hand, using artificial colony algorithm of search strategy to improve exploration ability by large probability；on the other hand, increasing the diversity of particle swarm by small probability. Experimental result shows that, compared with SPSO and other improved algorithm, the new algorithm is much faster and more accurate.

Key words: particle swarm optimization, particle health degree, artificial bee colony, speed of convergence, local optimum

周丹1，2，葛洪伟1，2，张欢庆1，杨金龙1. 基于健康度的人工蜂群粒子群算法[J]. 计算机工程与应用, 2016, 52(18): 62-67.

ZHOU Dan1，2, GE Hongwei1，2, ZHANG Huanqing1, YANG Jinlong1. Particle health degree based artificial bee colony particle swarm optimization[J]. Computer Engineering and Applications, 2016, 52(18): 62-67.

[1]	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.
[2]	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.
[3]	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.
[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]	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.
[6]	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.
[7]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[8]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[9]	贾雁飞，杜艳丽，赵立权. 快速收敛参考独立分量分析方法[J]. 计算机工程与应用, 2020, 56(7): 255-259.
[10]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[11]	宋杰，许冰，杨淼中. 基于自适应步长果蝇优化算法图像分割[J]. 计算机工程与应用, 2020, 56(4): 184-190.
[12]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[13]	吉训生，蔡益青. 利用历史信息和限制算子求解MOFJSP[J]. 计算机工程与应用, 2020, 56(2): 272-278.
[14]	张晓莉，杨亚新，谢永成. 改进的蚁群算法在机器人路径规划上的应用[J]. 计算机工程与应用, 2020, 56(2): 29-34.
[15]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.