基于反向学习和精英提升的无速度项动态粒子群算法

摘要/Abstract

摘要： 针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题，提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式，动态划分子群并采用不同的进化策略，利用反向学习为子群拓宽搜索范围，保证种群多样性的同时避免粒子过早陷入局部最优。然后为充分利用优秀粒子的信息并提高搜索精度，改进精英提升策略优化个体历史最优粒子，使用差分进化算法对种群最优粒子进行更新。最后通过CEC2006提出的22个测试函数进行性能测试。结果表明，本文提出的算法相比于其他算法在搜索精度和稳定性上拥有更加出色的性能，并能有效提升算法收敛速度。

关键词: 粒子群优化算法, 无速度项, 动态划分, 反向学习, 精英提升, 差分进化

Abstract: To resolve the problem that particle swarm optimization algorithm has low search accuracy， slow convergence speed and easy to fall into local optimization when dealing with complex optimization problems， a dynamic multi population particle swarm without velocity based on opposition-based learning and elite promotion is proposed. Firstly， based on the particle position update mode without velocity term， this algorithm dynamically divides subpopulations and adopts different evolutionary strategies. Opposition-based learning is used to broaden the search range for subgroups， ensuring population diversity and avoid particles falling into local optimization too early. Then， in order to make full use of the information of excellent particles and improve the search accuracy， the elite promotion strategy is improved to optimize the individual historical optimal particles. The differential evolution algorithm is used to update the optimal particle of the population. Finally， the performance is tested by 22 test functions proposed by CEC2006. The experimental results show that the proposed algorithm has more excellent performance in search accuracy and stability compared with other algorithms. In addition， the proposed algorithm can effectively improve the convergence speed.

Key words: particle swarm optimization algorithm, no-velocity term, dynamic partition, opposition-based learning, elite promotion, differential evolution

曾依浦, 戴毅茹, 陈雨田. 基于反向学习和精英提升的无速度项动态粒子群算法[J]. 计算机与现代化, 2023, 0(03): 113-120.

ZENG Yi-pu, DAI Yi-ru, CHEN Yu-tian. Dynamic Particle Swarm Optimization without Velocity Based on Opposition-based Learning and Elite Promotion[J]. Computer and Modernization, 2023, 0(03): 113-120.

参考文献［31］

［1］	郭成，张万达，王波，等. 多种群并行协作的粒子群算法［J］. 计算机与现代化， 2022（1）：33-40.
［2］	余伟伟，谢承旺，闭应洲，等. 一种基于自适应模糊支配的高维多目标粒子群算法［J］. 自动化学报， 2018，44（12）：2278-2289.
［3］	张晓燕，赫俊民，刘文英，等. 基于种群划分与变异策略的粒子群优化算法［J］. 计算机与现代化， 2019（5）：122-126.
［4］	DE CAMPOS A， POZO A T R， DUARTE E P. Parallel multi-swarm PSO strategies for solving many objective optimization problems［J］. Journal of Parallel and Distributed Computing， 2019，126（C）：13-33.
［5］	梁静，刘睿，于坤杰，等. 求解大规模问题协同进化动态粒子群优化算法［J］. 软件学报， 2018，29（9）：2595-2605.
［6］	PAROUHA R P， VERMA P. An innovative hybrid algorithm to solve nonconvex economic load dispatch problem with or without valve point effects［J］. International Transactions on Electrical Energy Systems， 2020，31（12）. DOI：10.1002/2050-7038.12682.
［7］	LI J Y， ZHAN Z H， LIU R D， et al. Generation-level parallelism for evolutionary computation： A pipeline-based parallel particle swarm optimization［J］. IEEE Transactions on Cybernetics， 2021，51（10）：4848-4859.
［8］	EL-SHERBINY M M. Particle swarm inspired optimization algorithm without velocity equation［J］. Egyptian Informatics Journal， 2011，12（1）：1-8.
［9］	MOHAMMADIAN M， LORESTANI A， ARDEHALI M M. Optimization of single and multi-areas economic dispatch problems based on evolutionary particle swarm optimization algorithm［J］ . Energy， 2018，161：710-724.
［10］	张天泽，李元香，项正龙，等. 基于RMSprop的粒子群优化算法［J］. 计算机工程与设计， 2021，42（3）：642-648.
［11］	LIU X F， ZHAN Z H， GAO Y， et al. Coevolutionary particle swarm optimization with bottleneck objective learning strategy for many-objective optimization［J］. IEEE Transactions on Evolutionary Computation， 2019，23（4）：587-602.
［12］	JIAN J R， CHEN Z G， ZHAN Z H， et al. Region encoding helps evolutionary computation evolve faster： A new solution encoding scheme in particle swarm for large-scale optimization［J］. IEEE Transactions on Evolutionary Computation， 2021，25（4）：779-793.
［13］	WANG Z J， ZHAN Z H， KWONG S， et al. Adaptive granularity learning distributed particle swarm optimization for large-scale optimization［J］. IEEE Transactions on Cybernetics， 2021，51（3）：1175-1188.
［14］	薛文，苏宏升. 基于分群策略的混沌粒子群优化算法［J］. 计算机工程与设计， 2019，40（2）：443-448.
［15］	XU G P， CUI Q L， SHI X H， et al. Particle swarm optimization based on dimensional learning strategy［J］. Swarm and Evolutionary Computation， 2019，45（1）：33-51.
［16］	唐可心，梁晓磊，周文峰，等. 具有重组学习和混合变异的动态多种群粒子群优化算法［J］. 控制与决策， 2021，36（12）：2871-2880.
［17］	CHEN Y G， LI L X， PENG H P， et al. Dynamic multi-swarm differential learning particle swarm optimizer［J］. Swarm and Evolutionary Computation， 2017，39. DOI：10.1016/j.swevo.2017.10.004.
［18］	FARSHI T R， ARDABILI A K. A hybrid firefly and particle swarm optimization algorithm applied to multilevel image thresholding［J］. Multimedia Systems， 2021，27（1）：125-142.
［19］	张孟健，汪敏，王霄，等. 混合粒子群-蝴蝶算法的WSN节点部署研究［J］. 计算机工程与科学， 2022，44（6）：1013-1022.
［20］	ELLAHI M， ABBAS G， SATRYA G B， et al. A modified hybrid particle swarm optimization with bat algorithm parameter inspired acceleration coefficients for solving eco-friendly and economic dispatch problems［J］. IEEE Access， 2021，9：82169-82187.
［21］	夏学文，刘经南，高柯夫，等. 具备反向学习和局部学习能力的粒子群算法［J］. 计算机学报， 2015，38（7）：1397-1407.
［22］	ANG K M， LIM W H， ISA N. A constrained multi-swarm particle swarm optimization without velocity for constrained optimization problems［J］. Expert Systems with Applications， 2020，140（C）. DOI：10.1016/j.eswa.2019.112882.
［23］	高云龙，闫鹏. 基于多种群粒子群算法和布谷鸟搜索的联合寻优算法［J］. 控制与决策， 2016，31（4）：601-608.
［24］	MAHDAVI S， RAHNAMAYAN S， DEB K. Opposition based learning： A literature review［J］. Swarmand Evolutionary Computation， 2018，39（8）：1-23.
［25］	杨震伦. 基于记忆整合的粒子群优化算法及应用研究［D］. 广州：华南理工大学， 2016.
［26］	梁静，葛士磊，瞿博阳，等. 求解电力系统经济调度问题的改进粒子群优化算法［J］. 控制与决策， 2020，35（8）：1813-1822.
［27］	CHEN X， TIANFIELD H， MEI C L， et al. Biogeography-based learning particle swarm optimization［J］. Soft Computing， 2017，21（24）：7519-7541.
［28］	MAZHOUD I， HADJ-HAMOU K， BIGEON J， et al. Particle swarm optimization for solving engineering problems： A new constraint-handling mechanism［J］. Engineering Applications of Artificial Intelligence， 2013，26（4）：1263-1273.
［29］	MEZURA-MONTES E， MIRANDA-VARELA M E， GÓMEZ-RAMÓN R D C. Differential evolution in constrained numerical optimization： An empirical study［J］. Information Sciences， 2010，180（22）：4223-4262.
［30］	MEZURA-MONTES E， CETINA-DOMÍNGUEZ O. Empirical analysis of a modified Artificial Bee Colony for constrained numerical optimization［J］. Applied Mathematics & Computation， 2012， 218（22）. DOI：10.1016/j.amc.2012.
	04.057.
［31］	王贞，支俊阳，李旭飞，等. 求解约束优化问题的复合人工蜂群算法［J］. 计算机工程与应用， 2021，58（3）：100-111.

[1]	卢磊, 贺智明, 黄志成. 基于多策略改进的麻雀搜索算法[J]. 计算机与现代化, 2023, 0(10): 23-31.
[2]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[3]	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.
[4]	邓斌涛, 徐胜超. 基于动态双子种群的差分进化K中心点聚类算法[J]. 计算机与现代化, 2021, 0(07): 54-59.
[5]	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-.
[6]	鄂翔南1，刘泽平2，张子晔3. 基于差分进化算法的面目标瞄准点寻优[J]. 计算机与现代化, 2019, 0(12): 27-.
[7]	张利娟1，仇建伟1，杜登崇2，王鑫1. 基于Spark和PSO算法的军事物流配送路径优化问题研究[J]. 计算机与现代化, 2018, 0(11): 65-.
[8]	韩珂，谢强，丁秋林. 基于改进径向基神经网络的船舶设备故障诊断方法[J]. 计算机与现代化, 2017, 0(6): 8-14+19.
[9]	魏万云. 融合布谷鸟搜索和K均值算法的入侵检测方案[J]. 计算机与现代化, 2017, 0(11): 95-95+104.
[10]	刘劼,张曦煌. 基于分段搜索策略的自适应差分进化人工蜂群算法[J]. 计算机与现代化, 2016, 0(9): 15-20.
[11]	王叙鹏，郑凯. 基于排序优化的粒子群算法[J]. 计算机与现代化, 2016, 0(12): 12-15,21.
[12]	裴祥，李巧君. 基于改进粒子群优化算法的无线传感器网络定位[J]. 计算机与现代化, 2015, 0(7): 81-.
[13]	陆剑1，张柯2. 基于改进粒子群算法的永磁同步电机PID控制器[J]. 计算机与现代化, 2015, 0(7): 123-.
[14]	姜凯，苑金海. 融合差分进化和SOM的组合文本聚类算法[J]. 计算机与现代化, 2015, 0(5): 13-16+20.
[15]	刘春. 基于组合算法选择特征的网络入侵检测模型[J]. 计算机与现代化, 2014, 0(8): 75-80.