一种基于适应值分析的智能粒子群算法

doi:10.3969/j.issn.1006-2475.2015.05.005

计算机与现代化

一种基于适应值分析的智能粒子群算法

(1.沈阳发动机设计研究所第二研究室，辽宁沈阳 110015; 2.沈阳鼓风机集团股份公司进出口公司，辽宁沈阳 110869)

收稿日期:2015-02-09 出版日期:2015-05-18 发布日期:2015-05-18
作者简介:李聪(1981-)，男，四川绵竹人，沈阳发动机设计研究所第二研究室工程师，硕士，研究方向：燃气轮机压气机气动优化设计及其核心算法; 宋文龙(1982-)，男，湖北宜昌人，沈阳鼓风机集团股份公司进出口公司工程师，硕士，研究方向：离心压缩机设计。

An Intelligent Particle Swarm Optimization Algorithm Based on Fitness Analysis

(1. Second Department, Shenyang Aeroengine Research Institute, Shenyang 110015, China; 2. SBW Electro-Mechanics Import & Export Corporation, Shenyang Blower Works Group Corporation, Shenyang 110869, China)

Received:2015-02-09 Online:2015-05-18 Published:2015-05-18

摘要/Abstract

摘要： 标准粒子群算法在求解多维多峰函数问题时，存在局部寻优精度不高、全局寻优能力不强和收敛速度慢的缺点，为此提出一种基于适应值分析的智能粒子群算法。该算法引入“局部适应值参数”、“全局适应值参数”和“坐标轮换法”思想，经过对3个多维多峰函数的测试，表明该算法兼顾了局部和全局搜索，并拥有较快的收敛速度。

关键词: 粒子群算法, 适应值参数, 坐标轮换

Abstract: When solving multi-dimensional multi-peaks function problems, the standard particle swarm optimization algorithm is not good at local search with high accuracy and its global search ability is also weak, besides, its convergence rate is slow. Therefore, an intelligent particle swarm optimization algorithm based on fitness analysis is presented, into which the “local fitness parameter”, the “global fitness parameter” and the “coordinate rotation method” are introduced. Three multi-dimensional multi-peaks functions are tested to show that this algorithm not only has the ability of local and global search, but also demonstrates faster convergence rate.

Key words: particle swarm optimization, fitness parameters, coordinate rotation

中图分类号:

TP182

李聪1，宋文龙2. 一种基于适应值分析的智能粒子群算法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.05.005.

LI Cong1, SONG Wen-long2. An Intelligent Particle Swarm Optimization Algorithm Based on Fitness Analysis[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.05.005.

参考文献

[1] Angeline P J. Using selection to improve particle swarm optimization[C]// Proceedings of the 1998 IEEE International Conference on Evolutionary Computation. 1998:84-89.

[2] Lovbjerg M, Rasmussen T K, Krink T. Hybrid particle swarm optimizer with breeding and subpopulation[C]// Proceedings of the 3rd Genetic and Evolutionary Computation Conference. 2001:469-476.

[3] Van den Bergh F, Engelbrecht A P. Training product unit networks using cooperative particle swarm optimizers[C]// Proceedings of the 2001 IEEE International Joint Conference on Neural Networks. 2001:126-131.

[4] Brits R, Engelbrecht A P, Van den Bergh F. A niching particle swarm optimizer[C]// Proceedings of the 4th Asia-Pacific Conference on Simulated Evolution and Learning. 2002:692-696.

[5] 高鹰,谢胜利. 混沌粒子群优化算法[J]. 计算机科学, 2004,31(8):13-15.

[6] 高鹰,谢胜利. 基于模拟退火的粒子群优化算法[J]. 计算机工程与应用, 2004,40(1):47-50.

[7] 王芳,邱玉辉. 一种引入单纯形法算子的新颖粒子群算法[J]. 信息与控制, 2005,34(5):517-522.

[8] 符强. 一种引入复合形算子的变异粒子群算法[J]. 计算机工程与应用, 2008,44(31):47-50.

[9] 阳春华,钱晓山,桂卫华. 一种混沌差分进化和粒子群优化混合算法[J]. 计算机应用研究, 2011,28(2):439-441.

[10] 那日苏,李强,乌力吉. 基于仿生学改进的粒子群算法[J]. 计算机工程与应用, 2014,50(6):61-63.

[11] 左旭坤,苏守宝. 粒距反馈的S函数粒子群权值调整策略[J]. 计算机应用, 2012,32(10):2724-2727.

[12] 朱德刚,孙辉,赵嘉,等. 基于高斯扰动的粒子群优化算法[J]. 计算机应用, 2014,34(3):754-759.

[13] 逯少华,张晓伟,鲍承强,等. 柯西种群分布的自适应范围粒子群优化算法[J]. 计算机应用, 2014,34(4):1070-1073.

[14] 曹义亲,张贞,黄晓生. 改进的带经验因子的二进制粒子群优化算法[J]. 计算机应用, 2013,33(2):311-315.

[15] Shi Yuhui, Eberhart R. A modified particle swarm optimizer[C]// Proceedings of the 1998 IEEE International Conference on Evolutionary Computation. 1998:69-73.

[16] Kennedy J, Eberhart R. Particle swarm optimization[C]// Proceedings of the 1995 IEEE International Conference on Neutral Networks. 1995:1942-1948.

[17] 李洪亮,侯朝桢,周绍生. 一种高效的改进粒子群优化算法[J]. 计算机工程与应用, 2008,44(1):14-16.

[18] 武妍,徐敏. 一种改进的粒子群优化算法[J]. 计算机工程与应用, 2006,42(33):40-42.

一种基于适应值分析的智能粒子群算法

An Intelligent Particle Swarm Optimization Algorithm Based on Fitness Analysis

可视化

被引次数

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

本文评价

[1]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[2]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[3]	陈刚, 王志坚, 徐胜超. 基于粒子群算法的移动边缘计算任务分配方法[J]. 计算机与现代化, 2022, 0(11): 32-36.
[4]	黄玲, 白晓波. 基于PSO-KPLS的教师科研绩效预测[J]. 计算机与现代化, 2022, 0(06): 8-12.
[5]	刘志锋, 舒志浩, 胥越峰, 杨舒伊, 沈文龙. 基于PSO自适应双策略的人工鱼群算法[J]. 计算机与现代化, 2022, 0(05): 46-53.
[6]	张彦虎, 鄢丽娟, 马志愤, 张彦军. 一种适用于多任务多资源移动边缘计算环境下的改进粒子群算力卸载算法[J]. 计算机与现代化, 2022, 0(05): 54-60.
[7]	李凌, 陈曦, 沈维捷, 熊汉武, 蔡冉冉. 面向电工装备智能监造的边缘缓存策略[J]. 计算机与现代化, 2022, 0(05): 61-67.
[8]	梁正友, 王璐, 李轩昂, 杨锋, . 基于改进PSO-TrICP算法的点云配准[J]. 计算机与现代化, 2022, 0(05): 90-95.
[9]	柴晨境, 刘宾, 潘晋孝. 基于阈值筛选的室内定位优化算法[J]. 计算机与现代化, 2022, 0(04): 79-85.
[10]	王哲, 王龙达, 刘罡, 王兴成, 王忠君, 鲍鲁杰. 基于三次样条插值的自动入库泊车免疫粒子群改进算法[J]. 计算机与现代化, 2022, 0(02): 7-12.
[11]	郭成, 张万达, 王波, 王加富. 多种群并行协作的粒子群算法[J]. 计算机与现代化, 2022, 0(01): 33-40.
[12]	陈翔, 邹庆年, 谢绍宇, 陈翠琼. 基于迁移学习策略的压板开关状态识别[J]. 计算机与现代化, 2021, 0(05): 120-126.
[13]	张忠, 邹燕飞, 刘淑英. 考虑交通流量的改进型电动汽车充/换电设施选址布局[J]. 计算机与现代化, 2020, 0(06): 114-.
[14]	杨万里1,2，周雪婷1，陈孟娜1. 基于Logistic映射的新型混沌简化PSO算法[J]. 计算机与现代化, 2019, 0(12): 15-.
[15]	易文周. 基于差分演化和粒子群优化的改进WSN覆盖算法[J]. 计算机与现代化, 2019, 0(08): 33-.