一种含驻留粒子的改进粒子群算法

doi:10.3969/j.issn.1006-2475.2017.11.001

计算机与现代化

• 人工智能 • 下一篇

一种含驻留粒子的改进粒子群算法

(上海电机学院电气学院，上海 201306)

收稿日期:2017-03-30 出版日期:2017-11-21 发布日期:2017-11-21
作者简介:张宏伟(1993-)，男，湖北黄冈人，上海电机学院电气学院硕士研究生，研究方向：微电网优化配置; 张向锋(1977-)，女，河南孟津人，副教授，博士，研究方向：智能控制，智能优化算法。
基金资助:
国家自然科学基金青年科学基金资助项目(11302123); 上海电机学院学科建设项目(16DFXK02)

An Improved Particle Swarm Optimization Algorithm Containing Resident Particles

(School of Electrical Engineering, Shanghai Dianji University, Shanghai 201306, China)

Received:2017-03-30 Online:2017-11-21 Published:2017-11-21

摘要/Abstract

摘要： 为了避免粒子群算法过早收敛，提出一种包含局部驻留粒子的改进粒子群算法（CRPSO）。该算法将基本的粒子群算法的粒子称为主粒子，而当算法每找到一个新的全体最优点之后，将会在这个最优点附近产生几个称为驻留粒子的搜索粒子。2种粒子分工协作，主粒子负责全局搜索而驻留粒子负责局部搜索。驻留粒子帮助主粒子群避免过早收敛，提高整个粒子群多样性。仿真结果表明，该算法能有效地改善粒子群算法在非线性全局优化问题上的早熟现象，增强粒子群算法的全局搜索能力。

关键词: 粒子群算法, 早熟现象, 主粒子, 驻留粒子

Abstract: An improved particle swarm optimization algorithm (CRPSO) is proposed to improve the premature convergence of particle swarm optimization algorithm (PSO). The particles of basic PSO are called as main particles in the improved algorithm. When the improved algorithm finds a better globally optimal extreme value point, it produces several points named resident particles around the global optimization point. The two kinds of particles work in cooperation that main particles are responsible for global research and resident particles for local search. Resident particles will help main particles to avoid falling into local extremum easily and improve the diversity of the whole particle swarm. The simulation results have validated its feasibility and effectiveness.

Key words: PSO, premature convergence, main particles, resident particles

中图分类号:

TP18

张宏伟，张向锋，朱晨煊. 一种含驻留粒子的改进粒子群算法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2017.11.001.

ZHANG Hong-wei, ZHANG Xiang-feng, ZHU Chen-xuan. An Improved Particle Swarm Optimization Algorithm Containing Resident Particles[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2017.11.001.

参考文献

[1] Kennedy J, Eberhart R C. Particle swarm optimization[C]// Proceedings of the 1995 IEEE International Conference on Neural Networks. 1995,4:1942-1948.

[2] 迟玉红,孙富春,王维军,等. 基于空间缩放和吸引子的粒子群优化算法[J]. 计算机学报, 2011,34(1):115-130.

[3] Kuo R J, Hong S Y, Huang Y C. Integration of particle swarm optimization-based fuzzy neural network and artificial neural network for supplier selection[J]. Applied Mathematical Modelling, 2010,34(12):3976-3990.

[4] Zhang Wen, Liu Yutian. Adaptive particle swarm optimization for reactive power and voltage control in power systems[C]// Proceedings of the 1st International Conference on Advances in Natural Computation. 2005,3:449-452.

[5] 杨毅,雷霞,徐贵阳,等. 采用PSO-BF算法的微电网多目标电能优化调度[J]. 电力系统保护与控制, 2014,42(13):13-20.

[6] 殷丽娟,赵熙临,梅真. 基于混沌粒子群优化算法的微电网优化运行技术[J]. 电力系统及其自动化学报, 2016,28(5):55-61.

[7] 戴文智,杨新乐. 基于惯性权重对数递减的粒子群优化算法[J]. 计算机工程与应用, 2015,51(17):14-19.

[8] Sun Shiquan, Peng Qinke. A hybrid PSO-GSA strategy for high-dimensional optimization and microarray data clustering[C]// Proceedings of the 2014 IEEE International Conference on Information and Automation. 2014:41-46.

[9] 邵鹏,吴志健. 一种带正弦函数因子的粒子群优化算法[J]. 小型微型计算机系统, 2015,36(1):156-161.

[10] Peer E S, Van den Bergh F, Engelbrecht A P. Using neighbourhoods with the guaranteed convergence PSO[C]// Proceedings of the 2003 IEEE Swarm Intelligence Symposium. 2003:235-242.

[11] 孙越泓,魏建香,夏德深. 一种基于粒子对称分布多样性的PSO算法[J]. 模式识别与人工智能, 2010,23(2):137-143.

[12] 谭阳,唐德权,全惠云. 一种排异竞争的粒子群优化算法[J]. 系统仿真学报, 2011,23(12):2635-2640.

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

[14] Higashi H, Iba H. Particle swarm optimization with Gaussian mutation[C]// Proceedings of the 2003 IEEE Swarm Intelligence Symposium. 2003:72-79.

[15] 魏建香,孙越泓,苏新宁. 一种基于免疫选择的粒子群优化算法[J]. 南京大学学报(自然科学版), 2010,46(1):1-9.

[16] 彭力,王茂海. 基于前馈扰动的粒子群改进算法[J]. 控制工程, 2012,19(1):102-105.

[17] 匡君芳,金忠,徐蔚鸿,等. Tent混沌人工蜂群与粒子群混合算法[J]. 控制与决策, 2015,30(5):839-847.

一种含驻留粒子的改进粒子群算法

An Improved Particle Swarm Optimization Algorithm Containing Resident Particles

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-.