改进的二阶振荡粒子群算法

doi:10.3778/j.issn.1002-8331.1803-0364

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (9): 130-138.DOI: 10.3778/j.issn.1002-8331.1803-0364

改进的二阶振荡粒子群算法

蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2

1.合肥工业大学管理学院，合肥 230009
2.过程优化与智能决策教育部重点实验室，合肥 230009

出版日期:2019-05-01 发布日期:2019-04-28

Improved Second-Order Oscillatory Particle Swarm Optimization

JIANG Li1，2, YE Runzhou1，2, LIANG Changyong1，2, LU Wenxing1，2

1.School of Management, Hefei University of Technology, Hefei 230009, China
2.Key Laboratory of Process Optimization and Intelligent Decision-making, Ministry of Education, Hefei 230009, China

Online:2019-05-01 Published:2019-04-28

摘要/Abstract

摘要： 针对粒子群算法易陷入局部最优等问题，分析了粒子群算法的进化方程，提出了一种改进的粒子群优化算法。算法在振荡环节采用互不相同的参数取值来调节粒子群算法的全局和局部搜索能力，并通过对测试函数和机器人路径规划问题仿真模拟，与标准PSO、标准二阶PSO、二阶振荡PSO算法的实验结果进行对比分析，验证了所提出算法的有效性和可行性。

关键词: 粒子群算法, 二阶振荡进化方程, 收敛精度, 机器人路径规划

Abstract: Aiming at some demerits of Particle Swarm Optimization（PSO）, such as falling into local optimum, analyzing the evolutionary equation of particle swarm optimization, an improved particle swarm optimization algorithm is proposed. The algorithm uses different parameters in the oscillation, which is used to adjust the global and local search capabilities of the particle swarm algorithm. The experimental results of the test function and the robot path planning are compared and analyzed with the experimental results of standard PSO, two-order PSO and two-order oscillating PSO algorithm, which verifies the effectiveness and feasibility of the improved algorithm.

Key words: Particle Swarm Optimization（PSO）, two-order oscillating evolutionary equation, convergence precision, robot path planning

蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.

JIANG Li1，2, YE Runzhou1，2, LIANG Changyong1，2, LU Wenxing1，2. Improved Second-Order Oscillatory Particle Swarm Optimization[J]. Computer Engineering and Applications, 2019, 55(9): 130-138.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	黄建新，袁杰. 三维空间机器人主动嗅觉烟羽源自主定位策略[J]. 计算机工程与应用, 2020, 56(12): 223-230.
[12]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[13]	张水平，高栋. 动态调整搜索策略的果蝇优化算法[J]. 计算机工程与应用, 2020, 56(10): 56-62.
[14]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[15]	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.

改进的二阶振荡粒子群算法

Improved Second-Order Oscillatory Particle Swarm Optimization

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