一种新的自适应惯性权重混沌PSO算法

doi:10.3778/j.issn.1002-8331.1612-0093

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (9): 139-144.DOI: 10.3778/j.issn.1002-8331.1612-0093

一种新的自适应惯性权重混沌PSO算法

李龙澍1，2，张效见2

1.安徽大学计算智能与信号处理教育部重点实验室，合肥 230039
2.安徽大学计算机科学与技术学院，合肥 230601

出版日期:2018-05-01 发布日期:2018-05-15

New chaos particle swarm optimization based on adaptive inertia weight

LI Longshu1，2, ZHANG Xiaojian2

1.Key Laboratory of Intelligent Computing and Signal Processing, Anhui University, Hefei 230039, China
2.School of Computer Science and Technology, Anhui University, Hefei 230601, China

Online:2018-05-01 Published:2018-05-15

摘要/Abstract

摘要： 针对粒子群算法（Particle Swarm Optimization，PSO）易陷入局部极值的缺陷，提出了一种新的自适应惯性权重混沌PSO算法（a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight，CPSO-NAIW）。首先采用新的惯性权重自适应方法，很好地平衡粒子的搜索行为，减少算法陷入局部极值的概率，然后在算法陷入局部极值时，引入混沌优化策略，对群体极值位置进行调整，以使粒子搜索新的邻域和路径，增加算法摆脱局部极值的可能。最后，实验结果表明，CPSO-NAIW算法能有效避免陷入局部极值，提高算法性能。

关键词: 粒子群, 自适应惯性权重, 混沌, 局部极值

Abstract: Particle Swarm Optimization（PSO） is easy to fall into the local optimal value. According to this disadvantage, a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight（CPSO-NAIW） is proposed. Firstly, the new inertia weight adaptive method is used to make a balance between the global and local search of the particles. It can reduce the probability of particles trap in local optimal. Then, when the algorithm falls into local optimal value, the strategy of chaos optimization is introduced to adjust the position of the population’s extreme value so that the particles can search the new neighorhood and path. The probability of getting rid of the local extremum is increaseed. Finally, the experimental results show that the CPSO-NAIW algorithm can avoid the local optimal and improve the performance of the algorithm effectively.

Key words: particle swarm optimization, adaptive inertia weight, chaos, local extreme value

李龙澍1，2，张效见2. 一种新的自适应惯性权重混沌PSO算法[J]. 计算机工程与应用, 2018, 54(9): 139-144.

LI Longshu1，2, ZHANG Xiaojian2. New chaos particle swarm optimization based on adaptive inertia weight[J]. Computer Engineering and Applications, 2018, 54(9): 139-144.

[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]	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]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	王海瑞，鲜于建川. 改进麻雀搜索算法在分布式电源配置中的应用[J]. 计算机工程与应用, 2021, 57(20): 245-252.
[12]	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.
[13]	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.
[14]	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.
[15]	潘成胜，张斌，吕亚娜，杜秀丽，邱少明. 改进灰狼优化算法的K-Means文本聚类[J]. 计算机工程与应用, 2021, 57(1): 188-193.

一种新的自适应惯性权重混沌PSO算法

New chaos particle swarm optimization based on adaptive inertia weight

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics