基于Logistic映射的新型混沌简化PSO算法

doi:10.3969/j.issn.1006-2475.2019.12.004

计算机与现代化

基于Logistic映射的新型混沌简化PSO算法

(1.湖南工学院电气与信息工程学院，湖南衡阳421002; 2.湖南大学电气与信息工程学院，湖南长沙410006)

收稿日期:2019-05-13 出版日期:2019-12-11 发布日期:2019-12-11
作者简介:杨万里(1988-)，男，河南信阳人，助教，博士研究生，研究方向：智能优化算法，E-mail: H211211@163.com; 通信作者：周雪婷(1989-)，女，湖南邵阳人，讲师，研究方向：图像辨识算法，E-mail: 644493586@qq.com; 陈孟娜(1988-)，女，湖南永州人，讲师，研究方向：人工智能，E-mail: 2141981902@qq.com。
基金资助:
湖南省教育厅科研项目(17C0431); 湖南工学院科研项目(HY15020, 2017HY023)

New Chaotic Simplified Particle Swarm Optimization Algorithm Based on Logistic Mapping

(1. School of Electrical and Information Engineering, Hunan Institute of Technology, Hengyang 421002, China;
2. School of Electrical and Information Engineering, Hunan University, Changsha 410006, China)

Received:2019-05-13 Online:2019-12-11 Published:2019-12-11

摘要/Abstract

摘要： 针对基本粒子群算法易陷入局部最优、收敛速度慢、收敛精度差等问题，提出一种基于Logistic映射的新型混沌简化PSO算法(CIW-SPSO)。该算法引入混沌理论使惯性权重具有混沌搜索能力，同时使学习因子随寻优过程呈正弦函数变化，降低算法陷入局部最优的概率。使用6个经典测试函数进行仿真测试，结果表明：本算法收敛速度快，收敛精度高，能避免陷入局部最优，提升算法优化性能。

关键词: 混沌映射, 惯性权重, 学习因子, 简化粒子群算法

Abstract: An new chaotic simplified particle swarm optimization algorithm based on logistic mapping (CIW-SPSO) is proposed to tackle the problems of basic PSO algorithm, such as easy to fall into local optimum, slow convergence, and low accuracy. The algorithm introduces chaos theory make inertia weight with chaotic search ability, and make learning factor changing with sine function optimization process, reduce the probability of algorithm falling into local optimum. Six classical test functions are used for simulation. The results show that the CIW-SPSO algorithm has faster convergence speed and higher accuracy, and can avoid local optimum and improve the algorithm optimization performance effectively.

Key words: chaos mapping, inertia weight, learning factor, simplified particle swarm algorithm

中图分类号:

TP301.6

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, doi: 10.3969/j.issn.1006-2475.2019.12.004.

YANG Wan-li1,2, ZHOU Xue-ting1, CHEN Meng-na1. New Chaotic Simplified Particle Swarm Optimization Algorithm Based on Logistic Mapping[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2019.12.004.

参考文献

［1］EBERHART R C, KENNEDY J. A new optimizer using particle swarm theory［C］// Proceedings of the 6th International 〖JP4〗Symposium on Micro Machine and Human Science. 1995:39-43.
［2］EBERHART R C, SHI Y H. Particle swarm optimization: Developments, applications and resources［C］// Proceedings of the 2001 IEEE Congress on Evolutionary Computation. 2001:81-86.
［3］戴永彬,陈海涛. 一种混合引导的偏好多目标粒子群优化算法［J］. 控制工程, 2019,26(3):549-554.
［4］SUN C L, JIN Y C, CHENG R, et al. Surrogate-assisted cooperative swarm optimization of high-dimensional expensive problems［J］. IEEE Transactions on Evolutionary Computation, 2017,21(4):644-660.
［5］LIN Q Z, LIU S B, ZHU Q L, et al. Particle swarm optimization with a balanceable fitness estimation for many-objective optimization problems［J］. IEEE Transactions on Evolutionary Computation, 2018,22(1):32-46.
［6］PIZZUTI C. Evolutionary computation for community detection in networks: A review［J］. IEEE Transactions on Evolutionary Computation, 2018,22(3):464-483.
［7］JIANG M, HUANG Z Q, QIU L M, et al. Transfer learning-based dynamic multiobjective optimization algorithms［J］. IEEE Transactions on Evolutionary Computation, 2018,22(4):501-514.
［8］LIU Z Z, WANG Y, YANG S X, et al. An adaptive framework to tune the coordinate systems in nature-inspired optimization algorithms［J］. IEEE Transactions on Cybernetics, 2019,49(4):1403-1416.
［9］SHI Y H, EBERHART R C. A modified particle swarm optimizer［C］// Proceedings of the 1998 IEEE International Conference on Evolutionary Computation. 1998:69-73.
［10］SHI Y H, EBERHART R C. Empirical study of particle swarm optimization［C］// Proceedings of the 1999 IEEE Congress on Evolutionary Computation. 1999:1945-1950.
［11］SHI Y H, EBERHART R C. Fuzzy adaptive particle swarm optimization［C］// Proceedings of the 2001 IEEE Congress on Evolutionary Computation. 2001:101-106.
［12］EBERHART R C, SHI Y H. Tracking and optimizing dynamic systems with particle swarms［C］// Proceedings of the 2001 IEEE Congress on Evolutionary Computation. 2001:94-100.
［13］陈贵敏,贾建援,韩琪. 粒子群优化算法的惯性权值递减策略研究［J］. 西安交通大学学报, 2006,40(1):53-56.
［14］姜长元,赵曙光,沈士根,等. 惯性权重正弦调整的粒子群算法［J］. 计算机工程与应用, 2012,48(8):40-42.
［15］张顶学,关治洪,刘新芝. 一种动态改变惯性权重的自适应粒子群算法［J］. 控制与决策, 2008,23(11):1253-1257.
［16］周敏,李太勇. 粒子群优化算法中的惯性权值非线性调整策略［J］. 计算机工程, 2011,37(5):204-206.
［17］高立群,李若平,邹德旋. 全局粒子群优化算法［J］. 东北大学学报(自然科学版), 2011,32(11):1538-1541.
［18］任圆圆,刘培玉,薛素芝. 一种新的自适应动态文化粒子群优化算法［J］. 计算机应用研究, 2013,30(11):3240-3243.
［19］赵远东,方正华. 带有权重函数学习因子的粒子群算法［J］. 计算机应用, 2013,33(8):2265-2268.
［20］张治俊,罗辞勇,张帆,等. 采用振荡参数策略的粒子群优化算法［J］. 重庆大学学报, 2011,34(6):36-41.
［21］张春慨,李霄峰,邵惠鹤. 基于线性搜索的混沌优化及其在非线性约束优化问题中的应用［J］. 控制与决策, 2001,16(1):123-125.
［22］董丽凤,陈阳,巫光福. 动态学习混沌映射的粒子群算法［J］. 计算机应用研究, 2019,36(5):1319-1322.
［23］胡旺,李志蜀. 一种更简化而高效的粒子群优化算法［J］. 软件学报, 2007,18(4):861-868.
［24］雷敏,杨万里,彭晓波,等. 基于改进简化粒子群算法的含DG的配电网无功优化［J］. 华北电力大学学报(自然科学版), 2015,42(1):39-44.
［25］FENG Y, TENG G F, WANG A X, et al. Chaotic inertia weight in particle swarm optimization［C］// Proceedings of the 2nd International Conference on Innovative Computing, Information and Control. 2007:1899-1902.

[1]	夏煌智, 陈丽敏, 毛雪迪, . 融入动态学习与高斯变异的自适应秃鹰搜索算法[J]. 计算机与现代化, 2024, 0(01): 117-126.
[2]	欧基发, 蔡茂国, 洪广杰, 詹楷杰. 基于PWLCM和秃鹰俯冲机制改进的野狗优化算法[J]. 计算机与现代化, 2024, 0(01): 109-116.
[3]	常雪，石鸿雁. 基于改进蝙蝠算法优化的FCM聚类算法[J]. 计算机与现代化, 2020, 0(05): 29-.
[4]	曹帅帅，陈雪鑫，苗圃，卜庆凯. 基于PSO与K-均值聚类算法优化结合的图像分割方法[J]. 计算机与现代化, 2020, 0(01): 22-.
[5]	顾明亮，李旻. 基于动态调整惯性权重的混合粒子群算法[J]. 计算机与现代化, 2018, 0(06): 25-.
[6]	刘冰1,2，刘雪梅3. 一种结合有限域运算的混沌映射在数字图像加密中的应用[J]. 计算机与现代化, 2017, 0(7): 53-56.
[7]	徐生兵1,夏文杰1,冯继强2. 一种改进的粒子群优化算法[J]. 计算机与现代化, 2015, 0(3): 5-8,14.
[8]	郝平. 基于混沌映射组播技术的无线移动自组织网络路由研究[J]. 计算机与现代化, 2015, 0(12): 62-.
[9]	叶安新. 基于改进粒子群优化算法的TSP问题研究[J]. 计算机与现代化, 2011, 1(4): 1-3.
[10]	张亚红;李欣蔚;陈辉. 基于混沌和Walsh变换的二值图像加密算法[J]. 计算机与现代化, 2011, 1(3): 60-62.
[11]	刘娇. 改进PSO算法在主汽温系统PID参数优化中的应用[J]. 计算机与现代化, 2009, 1(12): 29-32.

基于Logistic映射的新型混沌简化PSO算法

New Chaotic Simplified Particle Swarm Optimization Algorithm Based on Logistic Mapping

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 11

编辑推荐

Metrics

本文评价